El estudio, publicado en la revista Insights into Imaging, muestra que la integración de esta herramienta en el flujo de trabajo podría mejorar la eficiencia en la clasificación de lesiones y reducir la carga de trabajo de especialistas en radiología.
El estudio lo han coordinado el Dr. Jordi Rimola y el Dr. Mario Matute, radiólogos de la Unidad de Oncología Hepática del Clínic Barcelona e investigadores del grupo en Oncología Hepática (BCLC) del IDIBAPS. Ha contado con el soporte técnico del Departamento de IT de la Asociación Española de Estudios del Hígado (AEEH).
Integrar la IA en la radiología
El procesamiento de lenguaje natural (NLP, por sus siglas en inglés) es un campo de la inteligencia artificial que se centra en desarrollar algoritmos y modelos para que los sistemas de aprendizaje automático interpreten el lenguaje humano. Junto a los modelos de lenguaje de gran escala (LLMs), estas herramientas han despertado un gran interés en la población general, y en concreto también en la medicina.
Actualmente, la mayoría de los informes radiológicos se redactan en texto libre, lo que dificulta la extracción estructurada de información para la investigación y la toma de decisiones clínicas. Así, tanto el procesamiento de lenguaje natural como los modelos LLM han emergido como herramientas prometedoras para abordar este reto.
En el ámbito de la radiología, varios estudios recientes han demostrado la utilidad de los LLM en tareas como la estandarización de informes, o extracción de información estructurada y cuantitativa de informes radiológicos de texto libre. "Además, a diferencia de los modelos antiguos de NLP, los nuevos LLMs entrenan con datos no etiquetados y pueden aplicarse a tareas complejas con poca información específica", apunta Mario Matute.
LiverAI: Un modelo para la extracción automatizada de datos
LiverAI, desarrollado sobre la arquitectura GPT-4, fue entrenado para categorizar lesiones hepáticas según el sistema LI-RADS v2018, utilizado para evaluar el riesgo de malignidad en pacientes con riesgo de desarrollar cáncer de hígado. La herramienta fue testada con un conjunto de datos reales de lesiones hepáticas en pacientes con cirrosis y comparada con la clasificación realizada por radiólogos expertos.
Resultados e implicaciones clínicas
El estudio mostró que LiverAI logra una concordancia moderada con la evaluación de los radiólogos, pero cuando se utiliza como herramienta complementaria en el flujo de trabajo, puede mejorar la eficiencia del proceso hasta en un 60%. En particular, el modelo demostró una alta sensibilidad para identificar lesiones probablemente malignas, lo que sugiere que podría ser utilizado como herramienta de selección para optimizar el trabajo de los profesionales.
"El estudio es una prueba de concepto, pero ofrece nuevas perspectivas sobre las aplicaciones potenciales de los modelos de lenguaje, presentando un ejemplo real de cómo estas herramientas podrían integrarse localmente para optimizar la recogida de datos en un contexto de investigación", explica Jordi Rimola.
Esta investigación supone un paso adelante en la integración de la inteligencia artificial en el ámbito de la radiología y abre la puerta a futuras aplicaciones para la automatización de la extracción de datos en la investigación biomédica. En este campo de la investigación, el grupo de Oncología Hepática ha incorporado recientemente a un experto en inteligencia artificial gracias a una beca Marie Curie, lo que permitirá avanzar en la investigación en esta área.
Referencia del estudio:
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
