KI und die schwierigen Probleme der Welt · Medizin & Wirkstoffforschung · Nature (computational biology) · 2026-10-23
Zweistufiges Transferlernen von synthetischen zu realen Daten für die automatisierte Erstellung von Mammographie-Befundberichten mit Vision-Language-Modellen
Originaltitel: Two-stage synthetic-to-real transfer learning for automated mammography report generation using vision-language models
Die Arbeit befasst sich mit der Knappheit gepaarter Mammographie-Befund-Daten, indem MedGemma-4B zunächst auf synthetischen Berichten vortrainiert wird, die aus BI-RADS-Annotationen erstellt wurden, und anschließend auf 407 realen Berichten feinabgestimmt wird. Eine präregistrierte, kontrollierte Auswertung ergab, dass der scheinbare Gewinn auf ungleiche Adapterkapazität zurückzuführen war; bei gleicher Kapazität schnitten die beiden Trainingsverfahren gleichwertig ab. Die diagnostische Übereinstimmung überstieg nie κ = 0,14, was darauf hindeutet, dass die diagnostische Genauigkeit und nicht die sprachliche Flüssigkeit das Haupthindernis für klinisch nützliche Befundberichte ist.