KI und die schwierigen Probleme der Welt · Medizin & Wirkstoffforschung · Nature (machine learning) · 2026-10-26
Vergleichende Analyse von End-to-End-Lernen und Foundation-Modellen für die Prostatapathologie auf klinischem Niveau
Originaltitel: Comparative analysis of end-to-end learning and foundation models for clinical-grade prostate pathology
Mit Selbstüberwachung vortrainierte Foundation-Modelle werden vielfach als allgemeine Lösung für die Pathologie propagiert, doch ihr Vorteil gegenüber aufgabenspezifischen Modellen ist unklar. Anhand von mehr als 100,000 Prostatabiopsien von 6,268 Patienten an 15 Standorten stellten die Autoren fest, dass Foundation-Modelle bei knappen Daten helfen, aufgabenspezifische Modelle bei ausreichend annotierten Daten sie jedoch erreichen oder übertreffen. Aufgabenspezifisches Training verringerte zudem deutlich Fehlgraduierungen, während Foundation-Modelle bis zu 35-mal mehr Energie verbrauchten.