A Microsoft és a Paige patológiai nyelvre tanított AI-modellt mutatott be
A Microsoft 2026. augusztus 4-én számolt be a PRISM2 nevű patológiai alapmodellről, amelyet a Microsoft Research és a Paige, a Tempus részeként működő vállalat kutatói fejlesztettek. A Nature Medicine-ben nemrég megjelent tanulmány szerint a modell szövetképeken és valódi patológiai jelentésekből származó nyelvi adatokon tanult.
- A PRISM2-t a Microsoft Research és a Paige, a Tempus része fejlesztette.
- A modell szövetképeken és valódi patológiai jelentésekből származó nyelvi adatokon tanult.
- Több benchmarkon elérte vagy meghaladta specializált rákdetektáló rendszerek teljesítményét.
- A kutatók külön modellek építése nélkül számoltak be ezekről az eredményekről.
- A teljes modell súlyai kutatási célra elérhetők a Hugging Face-en.
Egy modell több patológiai feladatra
A Microsoft közlése szerint a mai patológiai AI-rendszerek jelentős része egyetlen feladatra készül, és minden új alkalmazáshoz külön újra kell építeni őket. A PRISM2 ezzel szemben kutatási célú alapmodellként készült, amely szélesebb feladatkört támogathat egyetlen modellben, kérdésekre és utasításokra reagálva.
A modell tesztelés során több összehasonlító feladaton elérte vagy meghaladta a specializált rákdetektáló rendszerek teljesítményét. A forrás ezek között említi a prosztatarák, az emlőrák és az emlő nyirokcsomóáttéteinek felismerését. A kutatók szerint mindezt úgy érték el, hogy nem készítettek külön modellt minden egyes feladathoz.
A teljes PRISM2 modell súlyai kutatási célú felhasználásra nyilvánosan elérhetők a Hugging Face-en, a Microsoft által hivatkozott két oldalon.
Miért a jelentések nyelve a kulcs
A fejlesztés kiindulópontja az volt, hogy a patológia vizuális és nyelvi terület egyszerre. A patológusok szövetmintákat vizsgálnak, majd olyan jelentéseket készítenek, amelyek kezelési döntéseket befolyásolnak. A kutatók ezért a szövetképeket patológiai jelentésekből származó információkkal kapcsolták össze.
A tanítás során milliónyi kérdés-válasz példát hoztak létre, amelyek a látott szöveti mintázatokat a diagnosztikai nyelvvel kötötték össze. A Microsoft szerint ez segíthetett abban, hogy a modell ne csak képi jellemzőket tanuljon, hanem azt is, hogyan írják le ezeket a klinikusok a diagnózisok során.
A PRISM2 képekkel önmagukban, illetve képek és szöveg kombinációjával is tud dolgozni. A felhasználók utasításokon keresztül léphetnek vele kapcsolatba, nem kizárólag feladatspecifikus szoftverre támaszkodva.
Mit jelenthet ez a kutatásban
A Microsoft szerint a patológia sok rákdiagnózis középpontjában áll, miközben az egészségügy egyre nagyobb adatmennyiséget termel. Ebben a környezetben a kutatók azt vizsgálják, hogyan támogathatja az AI a klinikusokat a döntésekben, és hogyan segíthet új felismerésekhez jutni.
A PRISM2 jelentősége a közölt eredmények alapján abban áll, hogy egyetlen modellre építve teheti könnyebbé jövőbeli patológiai eszközök fejlesztését és adaptálását. A forrás ezt kutatási erőfeszítésként írja le, amelynek célja, hogy az új alkalmazásoknál ne kelljen minden esetben az alapoktól indulni.
Microsoft: Teaching AI to speak the language of pathology
