La generación automatizada de informes de radiografías de tórax sigue sin resolverse

Área de la Ciencia:

• Análisis de imágenes médicas
• Inteligencia artificial en la atención médica
• Informes de radiología

Sus antecedentes:

• La interpretación precisa de las radiografías de tórax es crucial para la atención al paciente, pero es una carga para los radiólogos.
• Los modelos de IA existentes para la generación automatizada de informes carecen de marcos de evaluación estandarizados.
• Los puntos de referencia limitados dificultan la evaluación del rendimiento de la IA en entornos clínicos.

Objetivo del estudio:

• Introducir el Desafío ReXrank V1.0 para evaluar modelos de IA en la generación de informes de radiografías de tórax.
• Utilizar ReXGradient, el conjunto de datos de prueba más grande (10 000 estudios, 67 sitios), para una evaluación integral.
• Analizar el rendimiento del modelo en estudios normales/anormales, generalización e identificación de hallazgos clínicos.

Principales métodos:

• Se organizó una competencia (Desafío ReXrank V1.0) con diversos participantes y modelos de IA de última generación.
• Se empleó un conjunto de datos a gran escala (ReXGradient) para entrenamiento y prueba.
• Se utilizaron múltiples métricas para una evaluación integral del rendimiento en varias dimensiones.

Principales resultados:

• La generación automatizada de informes de radiografías de tórax aún no es un problema resuelto.
• Existen disparidades significativas de rendimiento entre las interpretaciones de estudios normales y anormales.
• Los mejores modelos logran menos del 45% de informes sin errores en casos anormales, con una variabilidad notable entre las instituciones de atención médica.

Conclusiones:

• Los sistemas actuales de IA para la generación de informes de radiografías de tórax requieren una mejora sustancial antes del despliegue clínico.
• Abordar las brechas de rendimiento en casos anormales y garantizar la generalización interinstitucional son áreas críticas de investigación.
• Se necesita un desarrollo continuo para crear sistemas de informes automatizados robustos y clínicamente confiables.