IHRAS: generación automatizada de informes médicos a partir de rayos X del tórax a través de la clasificación,...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia Artificial en Radiología
• Informática clínica

Sus antecedentes:

• La creciente demanda de una interpretación de rayos X del tórax (CXR) eficiente y precisa.
• Necesidad de soluciones de IA para reducir la carga de trabajo del radiólogo y la variabilidad del diagnóstico.
• Falta de herramientas de IA estandarizadas e interpretables en los flujos de trabajo radiológicos.

Objetivo del estudio:

• Introducir el Sistema de Análisis de Radiología Humanizada Inteligente (IHRAS), un marco de IA para el análisis automatizado de CXR y la generación de informes.
• Evaluar el rendimiento diagnóstico y la calidad de los informes del IHRAS.
• Demostrar una solución de IA transparente y escalable para apoyar los flujos de trabajo radiológicos.

Principales métodos:

• Desarrollo de IHRAS, un marco modular que integra redes neuronales convolucionales profundas para la clasificación, Grad-CAM para la visualización, SAR-Net para la segmentación y un modelo de lenguaje grande (DeepSeek-R1) para la generación de informes.
• Utilizó el marco de ingeniería CRISPE para la generación de informes con la terminología SNOMED CT.
• Evaluado en el conjunto de datos de rayos X de los NIH, evaluando el rendimiento diagnóstico y las métricas de calidad de los informes (fidelidad, relevancia, alineación).

Principales resultados:

• IHRAS demostró un rendimiento diagnóstico consistente en diversos subgrupos demográficos y clínicos.
• El sistema generó informes radiológicos clínicamente relevantes de alta fidelidad.
• Las puntuaciones de calidad del informe para la fidelidad, la relevancia y la alineación fueron fuertes.

Conclusiones:

• IHRAS proporciona una solución automatizada de extremo a extremo para el análisis de CXR y la generación de informes.
• El sistema ofrece un enfoque transparente y escalable para apoyar los flujos de trabajo radiológicos.
• Destaca la importancia de la interpretabilidad y la estandarización en las aplicaciones clínicas de la IA.