PathCowork: imparare dalla pratica patologica nel mondo reale per creare copiloti IA

Abstract degli autori

L’IA medica apprende dalle risposte che i medici registrano, ma raramente dal modo in cui interpretano le evidenze per arrivare a quelle risposte. Qui presentiamo PathCowork, un framework che trasforma gli esami narrati dai patologi in supervisione per l’ancoraggio visivo e in procedure che guidano gli agenti di IA diagnostica. Sguardo, narrazione e navigazione sincronizzati collegano i reperti visivi al processo con cui vengono interpretati. In 48 sessioni condotte da 16 patologi, la piattaforma ha acquisito 1.028 minuti di revisione dei vetrini. Utilizzando questi dati, abbiamo addestrato PathCowork-1T per l’implementazione su server e PathCowork-27B per l’implementazione locale, migliorando l’ancoraggio visivo. In cinque valutazioni specifiche per organo, gli agenti che combinavano questo ancoraggio con procedure diagnostiche registrate hanno ottenuto punteggi medi nei compiti principali superiori di 17,9 e 24,1 punti percentuali rispetto, rispettivamente, a Claude Code e Codex, con tempi di elaborazione più brevi e costi di inferenza inferiori. Rispetto alle IA all’avanguardia basate sull’apprendimento a istanze multiple, le regioni proposte dall’agente PathCowork hanno ottenuto punteggi più alti nella classificazione del grado del tumore prostatico, pur disponendo di un numero limitato di etichette dei vetrini. PathCowork può inoltre aiutare a costruire benchmark per l’IA in patologia: le domande ricavate dalle registrazioni hanno fatto emergere difficoltà nel riconoscere il contesto di visualizzazione e nel rifiutare premesse non applicabili. In sintesi, PathCowork propone un nuovo paradigma per ampliare la raccolta di dati e addestrare l’IA in patologia attraverso il ragionamento trasparente ricavato da sessioni diagnostiche, aprendo la strada a sistemi che apprendono direttamente dalla pratica clinica di routine.