An open AI system for dermatology tasks
Das Paper stellt UniDerm vor, ein Open-Source-Dermatologie-Fundamentmodell, das vollständig auf öffentlichen Daten unter Verwendung eines neuartigen Supervision-Denoising-Kontrastlernansatzes trainiert wurde und eine fachärztliche Diagnosegenauigkeit über verschiedene Hauttöne und globale Benchmarks hinweg erreicht, wodurch eine reproduzierbare und gerechte Alternative zu proprietären Systemen geboten wird.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, einem Computer beizubringen, Hautkrankheiten zu erkennen. Jahrelang waren die besten KI-Systeme wie exklusive Geheimbünde: Sie wurden mit massiven, privaten Sammlungen von Patientenfotos trainiert, auf die nur wenige große Krankenhäuser Zugriff hatten. Da diese Systeme ihre Trainingsdaten verborgen hielten, konnte niemand sonst überprüfen, ob sie voreingenommen waren, ihre Fehler korrigieren oder sie einmal auf einem einfachen Laptop in einer kleinen Klinik ausführen. Es war, als hätte man einen brillanten Arzt, der sich weigert, seine medizinischen Lehrbücher zu teilen, und damit den Großteil der Welt ohne Zugang zu seinem Fachwissen lässt.
Um den Durchbruch in dieser Arbeit zu verstehen, müssen Sie zwei Dinge wissen. Erstens sind „Foundation Models“ wie superintelligente Studenten, die allgemeine Muster aus riesigen Datenmengen lernen, bevor sie an spezifischen Aufgaben getestet werden. Zweitens ist „Contrastive Learning“ eine Methode, KI zu lehren, indem man ihr Paare von Dingen zeigt, die zusammengehören (wie das Bild eines Ausschlags und das Wort „Ekzem“), und ihr sagt, dass sie diese Paare im Gehirn näher zusammenrücken lässt, während sie unzusammenhängende Dinge voneinander wegdrückt. Der schwierige Teil ist, dass Hautbilder oft mit vielen verschiedenen Beschreibungen gleichzeitig einhergehen – einer Diagnose, einem Körperteil, einer Liste von Symptomen und einem visuellen Konzept. Traditionelle KI versuchte, all diese Beschreibungen zu einer einzigen verschwommenen Antwort zu mitteln, wodurch die feinen Details verloren gingen, die eine Diagnose präzise machen.
Diese Arbeit stellt UniDerm vor, ein neues, vollständig offenes KI-System für die Dermatologie, das die Vorstellung infrage stellt, dass man geheime, private Daten benötigt, um eine erstklassige medizinische KI zu bauen. Die Autoren, ein Team der Tsinghua Universität, Baichuan Inc. und anderer Institutionen, entwickelten ein Modell, das ausschließlich auf öffentlich zugänglichen Bild- und Textdaten trainiert wurde. Anstatt die verschiedenen Beschreibungen einer Hautläsion zu einer trüben Mischung zu mitteln, nutzt UniDerm einen cleveren Trick namens „Supervision-Denoising“. Stellen Sie sich das wie einen Detektiv vor, der nicht einfach nur einer Menge von Zeugen zuhört, die gleichzeitig durcheinander schreien; stattdin stellt der Detektiv spezifische Fragen („Wie sieht der Ausschlag aus?“ vs. „Wo befindet er sich?“), um für jede spezifische Aufgabe eine klare, scharfe Antwort zu erhalten.
Die Ergebnisse sind beeindruckend. UniDerm wurde an 11 verschiedenen Benchmarks auf fünf Kontinenten getestet und zeigte, dass es die Leistung der führenden „Geheimbund“-Modelle erreicht oder sogar übertrifft, obwohl es nur mit öffentlichen Daten trainiert wurde. Tatsächlich erreichte es die gleiche hohe Genauigkeit wie die privaten Modelle mit nur etwa einem Drittel der Experten-Labels. Es erkannte Hautkrebs mit einem Genauigkeitswert (AUROC) von 0,946, was höher ist als der Konsens eines Panels aus 302 menschlichen Experten. Vielleicht am wichtigsten ist, dass UniDerm bei dunkleren Hauttönen gut funktioniert – ein Bereich, in dem viele KI-Systeme versagen – und dass es auf einem Standardcomputer laufen kann, ohne teure, leistungsstarke Grafikkarten zu benötigen.
Die Arbeit argumenttiert, dass dieser Ansatz die medizinische KI „demokratisiert“. Indem die Autoren den Code, die Gewichte und das exakte Rezept für die Rekonstruktion der Trainingsdaten veröffentlichen, übergeben sie der Gemeinschaft die Schlüssel. Das bedeutet, dass Kliniken in ressourcenarmen Gebieten die KI selbst herunterladen, prüfen und verbessern können, anstatt ein proprietäres Produkt kaufen zu müssen, das sie weder inspizieren noch modifizieren können. Die Autoren schlagen vor, dass diese Methode ein Blaupause für die Erstellung spezialisierter KI in anderen Bereichen wie der Radiologie oder Pathologie sein könnte, um zu beweisen, dass man keine privaten Geheimnisse braucht, um ein öffentliches Gut zu schaffen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.