Naukowcy opracowali GAZE - system, który potrafi automatycznie oceniać wydajność modeli AI w analizie medycznych obrazów MRI mózgu bez konieczności posiadania danych treningowych. To przełom dla oceny algorytmów w medycynie, szczególnie gdy mamy do czynienia z rzadkimi stanami klinicznymi, gdzie zebranie wystarczającej ilości przykładów treningowych graniczy z niemożliwością. GAZE łączy zdolności do przeglądania i interpretacji obrazów medycznych z automatycznym przeszukiwaniem baz naukowych, pozwalając agentom AI pracować w pełni autonomicznie - od analizy scanu aż do formułowania wniosków diagnostycznych bez ingerencji człowieka.
Wielka zaleta systemu leży w podejściu zero-shot, które sprawdza się zwłaszcza na rzadkich przypadkach. Medycyna boryka się z fundamentalnym problemem: niektóre schorzenia są na tyle nieczęste, że zebranie odpowiednio dużego datasetu do nauki modelu staje się praktycznie niemożliwe. GAZE obchodzi tę barierę, pozwalając modelom wykorzystywać wiedzę z publikacji medycznych i ogólne umiejętności rozpoznawania obrazów do oceny nawet najbardziej egzotycznych stanów. System automatycznie wyszukuje w literaturze naukowej informacje o danym schorzeniu i porównuje wyniki diagnostyczne modelu z aktualną wiedzą medyczną.
Znaczenie tego rozwiązania dla praktyki klinicznej trudno przecenić. Tradycyjne podejścia do oceny modeli AI wymagają dokładnie opisanych testów i dużych zbiorów walidacyjnych, których zwyczajnie nie ma dla rzadkich chorób. GAZE otwiera drogę do wdrażania AI w rzeczywistych scenariuszach klinicznych, gdzie dokładność diagnostyki jest kwestią zdrowia pacjentów, a jednocześnie ograniczenia danych nie stanowią już nie do pokonania przeszkody. To ważny krok w kierunku bardziej prakryczną zastosowania deep learningu w medycynie, szczególnie na zagrożonych terenach z ograniczonym dostępem do radiologów.