2026. július 3., péntek · Kutatás

BoneCoT: egész testet lefedő csontáttét-diagnosztikai AI-modell 10 kórház adatain validálva

A Nature Biomedical Engineering folyóiratban publikált kutatás bemutatja a BoneCoT nevű alapmodellt, amelyet csontáttétek CT-alapú diagnosztizálására fejlesztettek. A modellt 29,3 millió CT-képen, 30 267 beteg adatain előtanították 12 csontrégióra, majd 26 klinikailag releváns feladatra – diagnózis, szövődmények, tumortípus és biomarkerek meghatározása – finomhangolták orvosi gondolatláncokkal (chain-of-thought). A szerzők szerint a modell 10 kórház többcentrumos kohortján 20%-kal felülmúlta a korábbi legjobb módszereket az AUC-metrikában, a primer és áttéti léziók elkülönítésében pedig 40%-os AUC-javulást ért el a tapasztalt radiológusokhoz képest. Az eredmények azt mutatják, hogy az orvosi gondolatmenetek integrálása az AI-tanulásba javíthatja a komplex diagnosztikai feladatok teljesítményét.

Miért fontos?

Lektorált, többcentrumos validációval igazolt AI-modell, amely klinikailag releváns mértékben javíthatja a csontáttétek diagnosztikáját.

Források

Nature Tudományos

Említve a tudásbázisban

fogalom Alapmodell (foundation model)

Kapcsolódó témák

Napi összefoglalók AI kutatás #BoneCoT#orvosi képalkotás

Napi összefoglaló

Ez a hír a 2026. július 3., péntek napi AI összefoglaló része.

Kapcsolódó hírek

Magyarázható AI-modell érkezett az orvosi képalkotás diagnosztikájához

A Nature Biomedical Engineering lektorált tanulmánya bemutatja a ConceptCLIP nevű biomedikus alapmodellt, amelyet kutatók egy 23 millió kép-szöveg-koncepció hármasból álló új adathalmazon, a MedConcept-23M-en tanítottak. A modell a képek és szövegek mellett régió-koncepció párokat is összekapcsol, így nemcsak diagnosztizál, hanem emberi nyelven értelmezhető magyarázatot is ad a döntéséhez. A szerzők szerint 78 adathalmazon és 10 képalkotási modalitáson (például röntgen, patológia) tesztelve a modell a legjobb korábbi eredményeket hozta, miközben klinikusok bevonásával végzett felhasználói vizsgálat szerint a koncepció-alapú magyarázatok segítettek az orvosoknak ellenőrizni a modell predikcióit és kiszűrni a lehetséges hibákat. A tanulmány ezt a magyarázhatóságot tekinti kulcslépésnek az AI klinikai elterjedéséhez.

Kis brit startup AI-ügynöke állítása szerint lekörözte az OpenAI-t és az Anthropicot

Az Inherent nevű londoni AI-labor, amelyet volt Google DeepMind-kutatók alapítottak, saját közlése szerint Faraday nevű AI-ügynöke felülmúlta az Anthropic Claude Opus 4.8 és az OpenAI GPT-5.5 modelljeit egy konkrét feladatban: publikált tudományos cikkek eredményeinek önálló, előzetes válasz nélküli reprodukálásában. A cég állítása szerint a Faraday ehhez a jóval kisebb, 27 milliárd paraméteres Qwen 3.6 modellt használja a frontier-méretű riválisok helyett, és megerősítéses tanulással próbálja megtanítani neki a „kutatói érzéket” is, vagyis hogy mely kísérletek érdemesek elvégzésre. A startup nemrég 50 millió dolláros seed-körrel lépett ki a stealth módból. Az eredmények kizárólag a vállalat saját közléséből származnak, független megerősítés egyelőre nincs.

Kutatás: az AI-biztonsági tesztek megjátszhatók és félrevezetőek

Egy brit UK AI Security Institute kutatóit is tartalmazó csapat pszichológiai tesztelésből ismert módszerekkel vizsgált meg nyolc népszerű nyelvimodell-biztonsági benchmarkot, 192 modell több mint 5000 kérdésre adott válaszát elemezve. A tanulmány szerint az egyetlen „biztonsági pontszám” valójában három, egymástól nagyrészt független tulajdonságot kever össze: a kérések elutasításának szigorát, a válaszok igazmondását és a kontextustól függő ártalmas tartalmak kezelését. A HarmBench és az OR-Bench-Hard benchmark ellentétes irányba mozdítja a pontszámot, így egy modell puszta elutasítási hajlandósággal is javíthatja összesített értékelését, miközben kevésbé hasznossá válik. A kutatók szerint a kérdéseknek mindössze kevesebb mint 2 százaléka hordoz tényleges mérési információt.

Kutatók: az AI világmodelleknek az emberi hiedelmeket is figyelembe kellene venniük

Egy friss, még nem lektorált tanulmány szerint a mai AI világmodellek – például a Sora, a Genie 3, a JEPA vagy a Marble – csak a fizikai világot írják le: tárgyakat, mozgást, pozíciókat, de nem azt, mit hisznek vagy akarnak az emberek. A szerzők példája szerint ha valakinek úgy mozdítják el a bögréjét, hogy nem látja, egy tisztán fizikai modell helyesen ábrázolja a jelenetet, mégis rossz cselekvést jósol, mert nem tudja, hogy az illető a régi helyen keresi a tárgyat. Ezért egy „Mental World Modeling” nevű keretrendszert és annak MENTIS nevű referencia-implementációját javasolják, amely hiedelmeket, szándékokat és normákat is beépít. A szerzők – a preprintben – azt állítják, hogy ez jelentősen javította a nyelvi modellek emberi viselkedés-előrejelzési pontosságát, de hangsúlyozzák, hogy nem tudatosságot szimulálnak, csak viselkedésből levezetett hipotéziseket.