Fonte: Yossi Matias, Vice President Google, Head of Google Research.
Esses modelos de pesquisa fazem parte do programa Health AI Developer Foundations (HAI-DEF) e têm como objetivo servir de ponto de partida para que os desenvolvedores avaliem e adaptem seus casos de uso médico especializados.
Desde o lançamento do MedGemma no ano passado, foram realizados milhões de downloads e centenas de variantes criadas pela comunidade publicadas no Hugging Face.
O Hugging Face é a Plataforma onde a comunidade de machine learning colabora em modelos, datasets e aplicações, a fim de construir o futuro da inteligência artificial.
Principais avanços técnicos nesta versão:
✨ Desempenho aprimorado de imagens de alta dimensão:
O MedGemma 1.5 4B permite que os desenvolvedores adaptem o modelo de forma mais eficaz para aplicações que envolvem representações de volume 3D, incluindo tomografia computadorizada (TC) e ressonância magnética (RM).
✨ Raciocínio médico aprimorado:
Esta atualização melhora a precisão da linha de base em recursos essenciais para textos e registros eletrônicos de saúde (EHR), mostrando uma melhoria de 22% na resposta a perguntas baseadas em texto do EHR em relação às versões anteriores.
✨ Fala médica especializada:
O Google introduziu o MedASR, um novo modelo de reconhecimento de fala automatizado otimizado para ditado médico. Descobrimos que o MedASR apresentou 58% menos erros no ditado de raios-X do tórax e até 82% menos erros em benchmarks médicos especializados em comparação com modelos ASR generalistas.
O desempenho básico do MedGemma 1.5 4B também melhora significativamente em relação ao MedGemma 1 4B em várias outras formas de interpretação de imagens médicas:
Localização anatômica: localização de características anatômicas em radiografias de tórax; melhoria de 35% na interseção sobre a união no benchmark Chest ImaGenome (38% contra 3%). Consulte nosso tutorial sobre localização anatômica.
Imagens médicas longitudinais: revisão da série temporal de radiografias torácicas; melhoria de 5% na precisão macro no benchmark MS-CXR-T (66% vs. 61%). Veja o exemplo abaixo e nosso tutorial sobre imagens médicas longitudinais.
Interpretação de imagens médicas: nossos benchmarks internos de imagem única para CXR, dermatologia, histopatologia e oftalmologia; melhoria de 3% (62% vs. 59%).
Extração de relatórios laboratoriais: extração de dados estruturados de relatórios laboratoriais médicos (tipo de laboratório, valor, unidades); melhoria de 18% na recuperação macro F1 em um benchmark interno de relatórios laboratoriais (78% vs. 60%).
Para incentivar os desenvolvedores a explorar usos criativos e impactantes desses modelos, o Google lançou o MedGemma Impact Challenge, um hackathon digital hospedado pela Kaggle com US$ 100.000 em prêmios.🏆
Esses modelos continuam gratuitos para uso comercial e em pesquisas e podem ser baixados no Hugging Face ou adaptados para aplicações escaláveis no Vertex AI.
O Objetivo é fornecer um ponto de partida eficiente em termos de computação que aborde a natureza multimodal da medicina.
Mais informações no blog de Daniel Golden e Fereshteh Mahvar: https://goo.gle/3Nfonep
Participe do desafio no Kaggle: https://lnkd.in/dYBFFfM4
Seja Membro✨HIHUB.TECH🌎Health Innovation♾️Leaders🧬
HIHUB.NEWS🌎♾️🧬 