← Volver al inicio

Reducir los errores de la IA en los informes de radiografías de tórax: el aprendizaje por refuerzo mejora su calidad, pero su uso clínico aún requiere validación

Un informe radiológico de lectura fluida también puede omitir anomalías clave. UniRG-CXR incorpora los errores clínicos a la recompensa de entrenamiento y muestra avances en pruebas con distintos conjuntos de datos y en evaluaciones de radiólogos; sin embargo, mejorar la calidad de los informes aún no demuestra que pueda ayudar de forma segura en el diagnóstico y el tratamiento.

By SURL BioNews

El valor de un informe de radiografía de tórax reside en comunicar con precisión los hallazgos de la imagen al equipo asistencial. Para la inteligencia artificial que redacta informes automáticamente, la fluidez del texto es solo el punto de partida: omitir anomalías o añadir descripciones que las imágenes no respaldan puede restar fiabilidad a un informe aparentemente profesional. Un nuevo estudio intenta incorporar estos errores directamente al objetivo de entrenamiento para que el modelo aprenda a cometer menos errores.

El 12 de noviembre, Nature Communications publicó un estudio revisado por pares de un equipo de Microsoft Research que presenta UniRG-CXR, un modelo de visión y lenguaje de 8.000 millones de parámetros. Su tarea consiste en generar los hallazgos radiológicos y la impresión diagnóstica a partir de radiografías de tórax y del contexto clínico. Este trabajo se había publicado como prepublicación en enero de este año, con una versión actualizada en julio, y ahora llega a la publicación en una revista.

Una de las dificultades que aborda el estudio es la falta de uniformidad entre hospitales en la forma de redactar los informes. Si el ajuste fino supervisado se basa únicamente en pares existentes de imágenes e informes, el modelo puede memorizar las expresiones habituales de un conjunto de datos y rendir peor al pasar a otro hospital. Por ello, el equipo incorporó aprendizaje por refuerzo después del ajuste fino, combinando en una recompensa la concordancia textual, la calidad semántica y las señales de errores clínicos evaluados por un modelo de lenguaje de gran tamaño, para orientar al modelo hacia una buena expresión y un contenido correcto.

La escala de los datos ofreció la oportunidad de acceder a distintas imágenes y estilos de informe. Según la descripción de la investigación publicada por el equipo en enero, los datos de entrenamiento abarcaron más de 560.000 exploraciones, 780.000 imágenes y 226.000 pacientes, procedentes de más de 80 instituciones sanitarias. Sin embargo, el volumen de datos por sí solo no garantiza la fiabilidad entre hospitales; lo más importante es si el modelo puede mantener la calidad al encontrarse con casos no utilizados en el entrenamiento y con datos externos.

El estudio publicado en la revista incluyó conjuntos de prueba reservados, conjuntos de datos externos no públicos y evaluaciones de radiólogos especializados, y utilizó RadCliQ, una métrica de calidad de los informes, como medida principal. El equipo informó de que UniRG-CXR superó a los modelos de comparación en los cuatro conjuntos de datos del banco de pruebas ReXrank y en dos configuraciones de generación de informes, y produjo menos errores clínicamente significativos. Estos resultados respaldan el valor del método de entrenamiento para la investigación, pero no pueden traducirse directamente en una reducción de la tasa de diagnósticos erróneos en la práctica clínica real.

Para facilitar su evaluación por otros investigadores, el equipo también publicó el modelo en Hugging Face con licencia Apache 2.0 y proporcionó ejemplos de uso para generar hallazgos radiológicos e impresiones diagnósticas. La publicación del modelo facilita las comparaciones y la reproducción de los resultados, pero no equivale a una autorización para uso médico; en su documentación, el equipo de investigación define explícitamente UniRG como un prototipo de investigación que aún no ha completado la validación para uso clínico.

La siguiente cuestión se sitúa, por tanto, en el flujo de trabajo real: cuando los médicos utilizan estos borradores de informes, ¿pueden realmente completar la interpretación con mayor rapidez y reducir las omisiones, sin pasar por alto errores por confiar demasiado en el texto? Las evaluaciones publicadas hasta ahora aún no permiten responder a estas preguntas. Para trasladar los avances obtenidos en los conjuntos de prueba al entorno asistencial, sigue siendo necesaria una validación clínica que confirme su efecto real sobre la interpretación, la carga de revisión y la seguridad de los pacientes.

References

  1. Nature Communications
  2. Microsoft Research
  3. arXiv
  4. Microsoft on Hugging Face