Video Experimental Relacionado
Updated: Jun 14, 2026
14:08
Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images
Published on: April 13, 2013
43.4K
Detección de Hemorragia Intracraneal y Clasificación de Subtipos en Imágenes de TC Utilizando un Modelo de Lenguaje
Nitin Chetla1, Shivam Patel2, Rahul Kumar3
1School of Medicine, University of Virginia School of Medicine, Charlottesville, USA.
Cureus
|December 30, 2025
Resumen
Los modelos de lenguaje grandes (LLM) muestran una precisión limitada en la detección de hemorragia intracraneal (HIC) y sus subtipos en TC. Se necesita más investigación y ajuste específico del dominio para uso clínico.
Área de la Ciencia:
- Imágenes Médicas; Inteligencia Artificial; Radiología
Sus antecedentes:
- La detección precisa de la hemorragia intracraneal (HIC) en TC es crucial para el tratamiento del paciente.
- Las redes neuronales convolucionales (CNN) sobresalen en la detección de HIC, pero los modelos de lenguaje grandes (LLM) para la interpretación directa de imágenes médicas están poco explorados.
Objetivo del estudio:
- Evaluar la capacidad de un LLM multimodal de propósito general para detectar HIC y clasificar sus subtipos a partir de TC.
- Evaluar el rendimiento de los LLM en tareas de interpretación directa de imágenes médicas.
Principales métodos:
- Se probó un LLM multimodal en el conjunto de datos PhysioNet ICH para la detección binaria de HIC y la clasificación multiclase de subtipos.
- Las rodajas axiales de TC se preprocesaron, se agruparon en imágenes compuestas y se codificaron para la entrada del LLM.
- El rendimiento se midió utilizando precisión, exactitud, recuperación, puntuación F1, precisión de coincidencia exacta y puntuación de Hamming.
Principales resultados:
- El LLM logró una precisión de 0.52 para la detección binaria de HIC, con una baja recuperación (0.14) para casos positivos.
- El rendimiento de la clasificación de subtipos fue inconsistente, con la hemorragia intraparenquimatosa teniendo la puntuación F1 más alta (0.57).
- La precisión de coincidencia exacta fue de 0.06 y la puntuación de Hamming fue de 0.54, lo que indica una capacidad predictiva limitada.
Conclusiones:
- El LLM demostró una sensibilidad limitada para la detección de HIC y una clasificación de subtipos inconsistente en un entorno de cero disparos.
- Los LLM actuales requieren ajuste específico del dominio, conjuntos de datos más grandes e integración con métodos de visión por computadora para la implementación clínica.
- Se necesita un mayor desarrollo para aprovechar los LLM de manera efectiva en el análisis de imágenes médicas.
