Ganancias diagnósticas e interpretativas del razonamiento sobre conclusiones con un gran modelo de razonamiento en...

Área de la Ciencia:

• Análisis de Imágenes Médicas; Inteligencia Artificial en Oncología; Sistemas de Apoyo a la Decisión Clínica

Sus antecedentes:

• Los radiólogos pueden pasar por alto hallazgos secundarios críticos que afectan la estadificación y el tratamiento del cáncer.; Los modelos de razonamiento grandes (LRM) ofrecen el potencial de mejorar la completitud y la transparencia interpretativa en radiología.; Las evaluaciones sistemáticas de los LRM para la interpretación de imágenes oncológicas son actualmente limitadas.

Objetivo del estudio:

• Comparar el rendimiento del proceso de razonamiento de un LRM frente a su salida de solo conclusiones y modelos sin razonamiento.; Evaluar los errores de diagnóstico y los atributos cualitativos de las salidas del LRM.; Evaluar el impacto en el flujo de trabajo de los LRM en la interpretación radiológica a través de un estudio de humano en el bucle.

Principales métodos:

• Un estudio que involucró 900 casos oncológicos multicéntricos de tres hospitales chinos.; Comparación del proceso de razonamiento de un LRM, formato de solo conclusiones y dos modelos sin razonamiento.; Evaluación de errores de diagnóstico y atributos cualitativos por tres radiólogos senior.; Evaluación de humano en el bucle de los efectos del flujo de trabajo con seis radiólogos.; Validación translingüística utilizando la cohorte inglesa MIMIC-Cancer-90.

Principales resultados:

• El proceso de razonamiento del LRM demostró la menor cantidad de errores omitidos/mal clasificados y las calificaciones más altas en cuanto a exhaustividad, explicabilidad e imparcialidad.; El rendimiento disminuyó con el formato de solo conclusiones del LRM; los modelos sin razonamiento tuvieron un rendimiento inferior en todas las métricas.; Las mejoras fueron consistentes en varios tipos de cáncer, modalidades de imagen, instituciones e idiomas.; Los estudios con lectores indicaron una mayor percepción de la completitud y la claridad del razonamiento, particularmente en radiólogos junior.

Conclusiones:

• Los procesos de razonamiento de los LRM mejoran significativamente la precisión y la transparencia de la interpretación de imágenes oncológicas en comparación con otros métodos.; Si bien es eficaz, la integración del flujo de trabajo requiere optimización para abordar los costos asociados y maximizar la utilidad clínica.; Los LRM muestran una promesa para mejorar el rendimiento diagnóstico y la consistencia en diversos entornos clínicos e idiomas.