RADAR: Mejorando la Generación de Informes de Radiología con Inyección de Conocimiento Suplementario

Los grandes modelos de lenguaje (LLMs) han demostrado capacidades notables en varios dominios, incluida la generación de informes de radiología. Los enfoques anteriores han intentado utilizar LLMs multimodales para esta tarea, mejorando su rendimiento a través de la integración de recuperación de conocimiento específico del dominio. Sin embargo, estos enfoques a menudo pasan por alto el conocimiento ya incrustado dentro de los LLMs, lo que lleva a una integración de información redundante. Para abordar esta limitación, proponemos Radar, un marco para mejorar la generación de informes de radiología con inyección de conocimiento suplementario. Radar mejora la generación de informes al aprovechar sistemáticamente tanto el conocimiento interno de un LLM como la información recuperada externamente. Específicamente, primero extrae el conocimiento adquirido por el modelo que se alinea con los resultados de clasificación basados en imágenes de expertos. Luego recupera conocimiento suplementario relevante para enriquecer aún más esta información. Finalmente, al agregar ambas fuentes, Radar genera informes de radiología más precisos e informativos. Experimentos exhaustivos en MIMIC-CXR, CheXpert-Plus e IU X-ray demuestran que nuestro modelo supera a los LLMs de última generación en calidad lingüística y precisión clínica.