Pesquisadores apresentam o MedPMC, uma estrutura automatizada que transforma literatura com licença permissiva do PubMed Central em infraestrutura de alta fidelidade para modelos médicos multimodais. Aplicado a 6,1 milhões de artigos, o sistema curou 11 milhões de pares de imagem-texto médicos com fortes pontuações de avaliação de componentes e alta relevância clínica.
- Foram curados 11 milhões de pares de imagem-texto de 6,1 milhões de artigos do PMC usando triagem e separação automatizadas.
- Alcançou-se 95,3% de relevância médica na revisão manual, em comparação com 19,7% em conjuntos de dados anteriores.
- Um modelo estilo CLIP treinado no MedPMC melhorou a média zero-shot AUC em 7,1 pontos percentuais em 26 benchmarks.
- Melhorou o questionamento visual médico em 1,9 e 16,9 pontos percentuais quando usado como codificador de visão.
- Melhorou o Recall@5 para recuperação de morfologia para imagem em 11,7 pontos percentuais em fotografias dermatológicas.
Os resultados demonstram que a curadoria de literatura de alta fidelidade fortalece modelos fundacionais médicos multimodais tanto em ambientes de benchmark quanto clínicos, com a estrutura, corpus e modelos lançados publicamente.