Generación semiautomatizada de informes de ecografía mamaria mediante modelos grandes de lenguaje multimodales y...

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial
• Oncología

Sus antecedentes:

• La ecografía mamaria (US) es crucial para la detección temprana del cáncer de mama.
• La generación de informes diagnósticos consume mucho tiempo, especialmente con la elastografía multimodal.
• Los flujos de trabajo existentes son manuales o totalmente automatizados, con una integración limitada.

Objetivo del estudio:

• Desarrollar y evaluar un marco novedoso para la generación de informes de ecografía mamaria (US).
• Integrar las anotaciones del radiólogo con el aprendizaje profundo y los modelos grandes de lenguaje para mejorar los informes.
• Reducir la carga de trabajo del radiólogo y mejorar la eficiencia en el diagnóstico del cáncer de mama.

Principales métodos:

• Se desarrolló un marco que combina modelos grandes de lenguaje multimodales y aprendizaje profundo.
• El sistema utilizó 2119 imágenes de elastografía y 60 casos de pacientes anotados de dos máquinas de US.
• Se integraron las anotaciones del radiólogo con la clasificación de imágenes y la compilación de informes estructurados.

Principales resultados:

• El sistema logró un alto rendimiento en la clasificación de elastografía (AUC de 0.92, 0.91, 0.88).
• El módulo de generación de informes demostró una sensibilidad del 100% en la detección de lesiones.
• El tiempo promedio de generación de informes fue de 31 s (GE Healthcare) y 36 s (Supersonic Image).

Conclusiones:

• El marco propuesto permite la generación de informes de ecografía mamaria (US) precisa, eficiente y adaptable al dispositivo.
• La combinación de aprendizaje profundo multimodal y la inferencia de modelos grandes de lenguaje basada en indicaciones reduce significativamente la carga de trabajo del radiólogo.
• El marco muestra potencial para la implementación escalable en entornos clínicos para el diagnóstico del cáncer de mama.