El procesamiento de lenguaje natural (NLP, por sus siglas en inglés) es una rama de la inteligencia artificial dedicada al desarrollo de algoritmos y modelos que permiten a los sistemas de aprendizaje automático comprender el lenguaje humano. En combinación con los modelos de lenguaje de gran escala (LLMs), estas herramientas han generado un gran interés tanto en la población general como en el ámbito médico.
Actualmente, la mayoría de los informes radiológicos se redactan en texto libre, lo que complica la extracción estructurada de información para la investigación y la toma de decisiones clínicas. En este contexto, tanto el procesamiento de lenguaje natural como los modelos LLM han surgido como soluciones prometedoras para afrontar este desafío.
Un nuevo estudio publicado en la revista Insights into Imaging demuestra que la integración de estas herramientas en el flujo de trabajo podría optimizar la clasificación de lesiones y reducir la carga de los especialistas en radiología. La investigación ha sido coordinada por Jordi Rimola y Mario Matute, radiólogos de la Unidad de Oncología Hepática del Clínic Barcelona e investigadores del grupo en Oncología Hepática (BCLC) del IDIBAPS, con el respaldo técnico del Departamento de IT de la Asociación Española de Estudios del Hígado (AEEH).
En el ámbito de la radiología, varios trabajos 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", apuntó Matute.
El modelo LiverAI
LiverAI, basado en la arquitectura GPT-4, fue entrenado para clasificar lesiones hepáticas según el sistema LI-RADS v2018, utilizado para evaluar el riesgo de malignidad en pacientes con predisposición a desarrollar cáncer de hígado. La herramienta se probó con un conjunto de datos reales de lesiones hepáticas en pacientes con cirrosis y se comparó con la clasificación realizada por radiólogos expertos.
Los resultados del estudio revelaron que LiverAI alcanza una concordancia moderada con la evaluación de los radiólogos. Sin embargo, cuando se integra como herramienta complementaria en el flujo de trabajo, puede aumentar la eficiencia del proceso hasta en un 60%. En particular, el modelo mostró una alta sensibilidad en la identificación de lesiones probablemente malignas, lo que sugiere su potencial como herramienta de selección para optimizar el trabajo de los especialistas.
"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", explicó Rimola.
Este estudio representa un avance en la integración de la inteligencia artificial en la radiología y abre nuevas posibilidades para la automatización de la extracción de datos en la investigación biomédica. En esta línea, el grupo de Oncología Hepática ha incorporado recientemente a un experto en inteligencia artificial gracias a una beca Marie Curie, lo que facilitará el progreso en este ámbito de investigación.
