Taurus: ให้ LLM ตรวจป้ายกำกับหลอดเลือด CT ได้ผลเทียบเอเจนต์ ต้นทุนราวครึ่งหนึ่ง
งานวิจัยบน arXiv เสนอระบบ Taurus ที่ให้ระบบอัตโนมัติติดป้ายกำกับหลอดเลือดแดงใหญ่ในภาพ CT ก่อน แล้วให้ LLM ตรวจทาน ผลรายงานว่าคุณภาพหลักไม่ต่างจากเอเจนต์ที่เขียนโค้ดเอง แต่ต้นทุนต่ำกว่าราวครึ่งหนึ่ง
การทำป้ายกำกับ (label) โครงสร้างในภาพ CT ของหลอดเลือดแดงใหญ่ (aorta) เป็นงานที่ใช้เวลามาก ขณะที่ชุดข้อมูลสาธารณะที่มีอยู่ก็ระบุโครงสร้างต่างกันตามกฎของแต่ละชุด ทีมวิจัยจึงถามว่า LLM ที่เขียนโค้ดและอ่านภาพได้ จะทำงานนี้ได้ดีกว่าแบบไหน ระหว่างการให้เอเจนต์เขียนโค้ดแบ่งส่วนภาพเองตามอิสระ หรือการจัดเป็นระบบ (harness) ที่ให้ระบบอัตโนมัติติดป้ายก่อน แล้ว LLM ทำหน้าที่ตรวจผลลัพธ์
ทีมผู้เขียนคือ Bing Hu, Rishabh Sharma และ Jatin Mehta พัฒนาระบบชื่อ Taurus และทดสอบด้วยวิธี blind label recovery คือซ่อนป้ายกำกับของมนุษย์จากชุดข้อมูลสาธารณะ 6 ชุด รวม 939 ภาพปริมาตร แล้ววัดผลทุกวิธีกับคลาสของแต่ละชุดเอง
ผลที่รายงาน คือไม่พบความต่างในตัวชี้วัดหลักเมื่อเทียบกับเอเจนต์ Claude Opus 5.5 ขณะที่ต้นทุนต่อเคสอยู่ที่ราว 1.22 ดอลลาร์ เทียบกับ 2.71 ดอลลาร์ ผู้วิจัยระบุว่าประโยชน์ส่วนใหญ่มาจากระบบอัตโนมัติที่ออกแบบไว้ ไม่ได้มาจากตัว LLM อย่างเดียว
ข้อควรระวังคือ ข้อมูลที่เห็นในบทคัดย่อยังไม่ครบ โดยเฉพาะค่าตัวชี้วัดเชิงตัวเลขและผลของ Taurus รุ่นแรก ส่วนการประเมินรุ่นปรับปรุงกล่าวถึงการกันไว้ทดสอบ 38 เคส จึงไม่ควรตีความว่าทดสอบครบทั้ง 939 ภาพ นอกจากนี้ พบเว็บไซต์ Sedawk Enterprises สรุปข่าวและตัวเลขเดียวกัน แต่เป็นการรายงานต่อจากงานวิจัยเดิม ไม่ใช่การทดลองซ้ำโดยอิสระ และยังไม่พบสำนักข่าวหรือทีมวิจัยอื่นที่ทดลองซ้ำผลนี้
การทำป้ายกำกับทางการแพทย์ที่ถูกและเร็วขึ้นอาจช่วยลดคอขวดของการสร้างข้อมูลฝึกโมเดลภาพทางการแพทย์ ซึ่งมีผลต่อโรงพยาบาลและทีมวิจัยในไทยที่ต้องทำงานกับข้อมูลภาพจำนวนมาก แต่ยังต้องรอการทดสอบอิสระก่อนนำไปใช้จริง