L'estudi, publicat a la revista Insights into Imaging, mostra que la integració d'aquesta eina en el flux de treball podria millorar l'eficiència en la classificació de lesions i reduir la càrrega de treball d’especialistes en radiologia.
L’estudi l’han coordinat el Dr. Jordi Rimola i el Dr. Mario Matute, radiòlegs de la Unitat d’Oncologia Hepàtica del Clínic Barcelona i investigadors del grup en Oncologia Hepàtica (BCLC) de l’IDIBAPS. Ha comptat amb el suport tècnic del Departament d’IT de l’Associació Espanyola de Estudios del Hígado (AEEH).
Integrar la IA en la radiologia
El processament de llenguatge natural (NLP, per les seves sigles en anglès) és un camp de la intel·ligència artificial que se centra en desenvolupar algoritmes i models perquè els sistemes d'aprenentatge automàtic interpretin el llenguatge humà. Juntament amb dels models de llenguatge de gran escala (LLMs), aquestes eines han despertat un gran interès en la població general, i en concret també en la medicina.
Actualment, la majoria dels informes radiològics es redacten en text lliure, la qual cosa dificulta l'extracció estructurada d'informació per a la investigació i la presa de decisions clíniques. Així, tant el processament de llenguatge natural com els models LLMs han emergit com a eines prometedores per abordar aquest repte.
En l'àmbit de la radiologia, diversos estudis recents han demostrat la utilitat dels LLM en tasques com l'estandardització d'informes, o extracció d'informació estructurada i quantitativa d'informes radiològics de text lliure. “A més, a diferència dels models antics de NLP, els nous LLMs s'entrenen amb dades no etiquetades i poden aplicar-se a tasques complexes amb poca informació específica”, apunta Mario Matute.
LiverAI: Un model per a l'extracció automatitzada de dades
LiverAI, desenvolupat sobre l'arquitectura GPT-4, va ser entrenat per categoritzar lesions hepàtiques segons el sistema LI-RADS v2018, utilitzat per avaluar el risc de malignitat en pacients amb risc de desenvolupar càncer de fetge. L'eina va ser testada amb un conjunt de dades reals de lesions hepàtiques en pacients amb cirrosi i comparada amb la classificació feta per radiòlegs experts.
Resultats i implicacions clíniques
L'estudi va mostrar que LiverAI aconsegueix una concordança moderada amb l'avaluació dels radiòlegs, però quan s'utilitza com a eina complementària en el flux de treball, pot millorar l'eficiència del procés fins a un 60%. En particular, el model va demostrar una alta sensibilitat per identificar lesions probablement malignes, fet que suggereix que podria ser utilitzat com a eina de triatge per optimitzar la feina dels professionals.
“L'estudi és una prova de concepte, però ofereix noves perspectives sobre les aplicacions potencials dels models de llenguatge, presentant un exemple real de com aquestes eines podrien integrar-se localment per a optimitzar la recollida de dades en un context de recerca”, explica Jordi Rimola.
Aquesta investigació representa un pas endavant en la integració de la intel·ligència artificial en l'àmbit de la radiologia i obre la porta a futures aplicacions per a l'automatització de l'extracció de dades en la investigació biomèdica. En aquest camp de la recerca, el grup d’oncologia hepàtica ha incorporat recentment un expert en intel·ligència artifical gràcies a una beca Marie Curie, el que permetrà avançar en la recerca en aquesta àrea.
Referència de l’estudi:
Matute-González M, Darnell A, Comas-Cufí M, Pazó J, Soler A, Saborido B, Mauro E, Turnes J, Forner A, Reig M, Rimola J. Utilizing a domain-specific large language model for LI-RADS v2018 categorization of free-text MRI reports: a feasibility study. Insights Imaging. 2024 Nov 22;15(1):280. doi: 10.1186/s13244-024-01850-1.
