Örömmel jelentjük be laborunk egy új publikációjának megjelenését, amelyet a Warwick Egyetemmel együttműködésben készítettünk, és az AIME 2026 (Artificial Intelligence in Medicine) konferencián mutattunk be.

„The Critical Role of Model Selection in Causal Inference: A Comparative Analysis of Classification Models Within the InferBERT Framework for Pharmacovigilance" című tanulmányunk azt vizsgálja, hogyan befolyásolja a gépi tanulási modell megválasztása az okságikövetkeztetést a gyógyszerbiztonsági elemzésekben. Ahelyett, hogy azt feltételeznénk, hogy a nagyobb modellek inherensen jobb eredményeket hoznak, szisztematikusan hasonlítottuk össze az XGBoost, az ALBERT, a BioBERT és a Med-LLaMA modelleket az InferBERT keretrendszeren belül.

Legfontosabb megállapításunk szembehelyezkedik a területen elterjedt feltételezéssel: a területspecifikus előtanítás fontosabb a modell méreténél. A BioBERT következetesen felülmúlta mind a hagyományos gépi tanulási megközelítéseket, mind egy lényegesen nagyobb orvosi nagy nyelvi modellt, bizonyítva, hogy a gondosan megválasztott, területre adaptált modellek megbízhatóbb okságikövetkeztetési eredményeket nyújthatnak a nemkívánatos gyógyszerhatások detektálásában.

Gratulálunk Kiss Csabának, Dr. Molontay Rolandnak és Dr. Gabriele Pergolának ehhez a kiváló nemzetközi együttműködéshez!

A teljes konferenciacikk itt megtekinthető: https://link.springer.com/chapter/10.1007/978-3-032-30710-1_21