CoMET: KI-Modell für medizinische Ereignisse erreicht neue Skalierungserfolge

Die neueste Veröffentlichung auf arXiv (2508.12104v1) präsentiert ein bahnbrechendes Modell namens Cosmos Medical Event Transformer (CoMET), das auf einer riesigen Sammlung von 118 Millionen Patienten aus 310 Gesundheitssystemen trainiert wurde.

CoMET nutzt einen decoder‑only Transformer, der auf 115 Billionen medizinischen Ereignissen und 151 Billionen Tokens vortrainiert wurde. Durch eine umfassende Skalierungsstudie wurden klare Power‑Law‑Beziehungen für Rechenleistung, Tokenanzahl und Modellgröße identifiziert, was die Entwicklung von bis zu 1 Milliarden‑Parameter‑Modellen ermöglichte. Das Modell kann die nächste medizinische Ereignissequenz autoregressiv vorhersagen und simuliert damit realistische Patienten‑Zeitlinien.

In 78 real‑world‑Aufgaben – von Diagnosen‑Vorhersage über Krankheitsprognosen bis hin zu betriebswirtschaftlichen Fragestellungen – übertraf oder erreichte CoMET die Leistung von spezialisierten, fein‑abgestimmten Modellen, ohne dass zusätzliche Feinabstimmung oder Few‑Shot‑Beispiele nötig waren. Diese Ergebnisse zeigen, dass generative Foundation‑Modelle mit generischem Pretraining die Grundlage für skalierbare, personalisierte Medizin bilden können.