IA neuro-simbólica para la extracción de información cognitiva auditable de informes médicos

ANTECEDENTES: Los modelos de lenguaje grandes (LLMs) como GPT-4 pueden interpretar texto libre, pero respuestas no confiables, razonamiento opaco y riesgos de privacidad limitan su uso en la atención médica. En contraste, la inteligencia artificial (IA) basada en reglas proporciona resultados transparentes y reproducibles, pero tiene dificultades con el texto libre. Nuestro objetivo fue combinar las fortalezas de ambos enfoques para probar si un sistema híbrido puede extraer datos clínicos de manera autónoma y confiable de los informes de imágenes diagnósticas. MÉTODOS: Desarrollamos una IA neuro-simbólica que conecta GPT-4 con un sistema experto basado en reglas a través de una plataforma de integración semántica. GPT-4 extrajo hechos candidatos de informes de texto libre, mientras que el sistema experto los verificó contra reglas médicas, produciendo etiquetas trazables y deterministas. Evaluamos el sistema en 206 informes consecutivos de tomografía por emisión de positrones/computarizada (PET/CT) de cáncer de próstata, requiriendo la extracción de 26 parámetros clínicos por informe, generando 5356 puntos de datos y respondiendo a tres preguntas de estudio: inclusión en el estudio, identificación de cáncer recurrente y recuperación del nivel de antígeno prostático específico (PSA). Las salidas se compararon con referencias derivadas de médicos, y las discrepancias fueron revisadas por un adjudicador enmascarado. RESULTADOS: Aquí mostramos que la IA neuro-simbólica supera a GPT-4 por sí solo y se iguala a los médicos en la estructuración y análisis de informes. GPT-4 por sí solo logra puntuaciones F1 de 0.63 para la inclusión en el estudio y 0.95 para la detección de recurrencias, con un 96.6% de valores de PSA correctos. Los médicos alcanzan puntuaciones F1 de 1.00 y 0.99, con un 98.1% de precisión en PSA. La IA neuro-simbólica logra dos veces 1.00 con una precisión del 100% en PSA y siempre proporciona una cadena de razonamiento auditable. Intercepta dos informes introducidos intencionadamente con identificadores residuales, previniendo la transferencia no intencionada de datos sensibles. CONCLUSIONES: A diferencia de los LLMs independientes, la IA neuro-simbólica puede automatizar de manera segura la extracción de datos para la investigación clínica y puede proporcionar un camino hacia una IA confiable en la práctica de atención médica.