Los investigadores presentan MedPMC, un marco automatizado que transforma la literatura con licencia permisiva de PubMed Central en una infraestructura de alta fidelidad para modelos médicos multimodales. Aplicado a 6,1 millones de artículos, el sistema cura 11 millones de pares de imagen-texto médicos con fuertes puntuaciones de evaluación de componentes y alta relevancia clínica.

  • Se curaron 11 millones de pares de imagen-texto de 6,1 millones de artículos de PMC mediante cribado y separación automatizados.
  • Se logró un 95,3% de relevancia médica en la revisión manual, en comparación con el 19,7% en conjuntos de datos anteriores.
  • Un modelo estilo CLIP entrenado con MedPMC mejoró el AUC promedio de cero disparos en 7,1 puntos porcentuales en 26 benchmarks.
  • Se mejoró la respuesta a preguntas visuales médicas en 1,9 y 16,9 puntos porcentuales cuando se usó como codificador de visión.
  • Se mejoró el Recall@5 para la recuperación de morfología a imagen en 11,7 puntos porcentuales en fotografías dermatológicas.

Los hallazgos demuestran que la curación de literatura de alta fidelidad fortalece los modelos fundacionales médicos multimodales tanto en entornos de benchmark como clínicos, con el marco, corpus y modelos publicados públicamente.