Khader und die anderen Forscher passten das Studiendesign speziell für medizinische Zwecke an und verlangten, dass es auf zwei große Datenbanken zurückgreift, die die Krankengeschichten von mehr als 82.000 Patienten enthalten.
Um ihre Forschung durchzuführen, wurde die KI darauf trainiert, bis zu 25 verschiedene Krankheiten zu diagnostizieren, indem sie zunächst ausschließlich Nicht-Bilder oder Bilder allein verwendete und sie dann mit einem multimodalen Modell unter Verwendung einer Kombination aus beiden verglich. Die Forscher fanden heraus, dass die multimodale Variante bei allen getesteten Bedingungen mit einer Genauigkeit von 77 % durchweg eine bessere diagnostische Genauigkeit erzielte, verglichen mit 70 % bei der KI, die nur Röntgenaufnahmen des Brustkorbs verwendete, und 72 %, wenn sie nur klinische Daten erhielt und nicht Bilder.
Khader glaubt, dass das vorgeschlagene Modell als Blaupause für die effiziente Integration großer Datenmengen in KI-Plattformen dienen könnte.
„Angesichts der ständig wachsenden Mengen an Patientendaten und der begrenzten Zeit, die Ärzte jedem Patienten widmen können, wird es für Kliniker immer schwieriger, alle verfügbaren Informationen effektiv zu interpretieren“, erklärt er. „Multimodale Modelle versprechen, Klinikern bei ihren Diagnosen zu helfen, indem sie die Aggregation verfügbarer Daten zu präzisen und genauen Diagnosen optimieren.“
Wie Radiologen konfrontiert sind Engpässe auf der ganzen WeltDie Studienautoren glauben, dass ihre KI „das Potenzial hat, Klinikern in einer Zeit zunehmender Arbeitsbelastung zu helfen“, da die Studie zeigt, wie maschinelles Lernen möglicherweise die Daten integrieren kann, die erforderlich sind, um die Arbeit eines erfahrenen Klinikers widerzuspiegeln.
„Freiberuflicher Kommunikator. Hardcore-Web-Praktiker. Unternehmer. Totaler Student. Bier-Ninja.“
