PathoSage to nowa metoda na problem, który od dawna niepokoił badaczy zajmujących się sztuczną inteligencją w patologii. Multimodalne modele językowe (MLLM), które potrafią analizować obrazy i tekst jednocześnie, często wymyślają cechy morfologiczne, których w rzeczywistości nie ma na zdjęciach. Systemy agentowe z kolei zwykle mieszają informacje ze wszystkich dostępnych narzędzi w jednym kontekście, co prowadzi do sprzeczności i błędnych wniosków.
Framework PathoSage zmienia to podejście na głowę. Zamiast wszystko mieszać, system pracuje w trzech wyraźnych etapach: najpierw pobiera wiedzę, następnie zbiera różne dowody, a wreszcie je porównuje niezależnie od siebie. Kluczowym elementem jest Structured Evidence Deliberation – system ocenia każde źródło oddzielnie, analizuje konflikty między nimi i wydaje ostateczny werdykt w świeżym kontekście, bez wpływu uprzednio analizowanych informacji (to redukcja tzw. anchoring bias). Dodatkową innowacją jest system Beta-Bernoulli, który uczy się na podstawie doświadczenia, jak niezawodne są poszczególne narzędzia, i wykorzystuje te obserwacje do podejmowania lepszych decyzji w przyszłości.
Wyniki eksperymentów pokazują, że PathoSage skuteczniej radzi sobie z halucynacjami AI i niezgodnościami między klasyfikatorami niż istniejące rozwiązania. To krok do przodu w kierunku bardziej wiarygodnych systemów diagnostycznych wspomaganych sztuczną inteligencją, gdzie dokładność i transparentność procesu podejmowania decyzji są kwestiami klinycznymi.