AVALIAÇÃO DA CAPACIDADE INTERPRETATIVA DE TRÊS MODELOS DE LINGUAGEM DE GRANDE ESCALA NA CONTEXTUALIZAÇÃO DE ACHADOS HISTOPATOLÓGICOS HEPÁTICOS ASSOCIADOS ÀS ARBOVIROSES

Engineering notes

Engineering notes will be added by the aipentium editorial team.

Chinese explanation / 中文解读

中文解读待补充：本站会优先为大语言模型、生成式AI、ChatGPT相关技术、计算机视觉、深度学习等高价值论文补充中文说明。

Original abstract

Considerando que o acometimento hepático em arboviroses severas apresenta desafios no diagnóstico diferencial focado na vulnerabilidade midzonal do ácino, e que o desempenho de Modelos de Linguagem de Grande Escala (LLMs) na interpretação patológica quantitativa permanece inexplorado, objetiva-se avaliar a capacidade de síntese, coerência fisiopatológica e acurácia dedutiva das arquiteturas ChatGPT, Google Gemini e Claude na interpretação de escores histopatológicos quantitativos de infecções fatais por Febre Amarela (FA), Dengue (DENV) e Chikungunya (CHIKV). Para tanto, procede-se à análise transversal analítica de 70 amostras hepáticas post-mortem (36 FA, 17 DENV, 17 CHIKV) processadas em R, cujos escores não paramétricos foram submetidos aos LLMs em teste cego de dedução etiológica (zero-shot) comparado ao patologista humano. Desse modo, observa-se que, apesar de a Zona 2 consolidar-se como epicentro lesional com assinaturas histopatológicas distintas para cada arbovirose, os LLMs apresentaram acurácia etiológica nula inicial por viés da literatura clássica (Lesão de Rocha-Lima); contudo, atingiram escore máximo em coerência fisiopatológica ao inferirem autonomamente a cascata isquêmica da CHIKV a partir dos dados numéricos puros. O que permite concluir que, embora falhem na identificação de apresentações atípicas sem supervisão, os LLMs alimentados por patologia quantitativa consolidam-se como valiosos co-pilotos translacionais na geração de hipóteses mecanicistas.

Links and sources

Comments