Geração Automática de Relatórios de Radiologia em Estilo Narrativo a partir de Imagens de TC Volumétricas; um Prova de Conceito

O mundo enfrenta uma escassez de radiologistas, levando a tempos de tratamento mais longos e aumento do estresse, impactando negativamente a segurança do paciente e a moral da força de trabalho. A integração de inteligência artificial para interpretar imagens radiográficas e gerar relatórios descritivos oferece uma solução promissora. No entanto, existem pesquisas limitadas sobre a geração de descrições em linguagem natural para imagens médicas volumétricas. Este estudo apresenta um modelo de prova de conceito baseado em aprendizado profundo para identificar com precisão anomalias em dados de TC volumétricos e gerar relatórios em estilo narrativo. Vários modelos de codificador-decodificador foram avaliados quanto à sua eficácia em tarefas clinicamente relevantes e tarefas substitutas. As tarefas clinicamente relevantes envolveram a identificação e descrição de nódulos pulmonares e efusões pleurais, enquanto as tarefas substitutas envolveram o reconhecimento e descrição de anomalias artificiais, como espelhamento, rotação e oclusão de lobos pulmonares. Os resultados mostram alta precisão na detecção de combinações de anomalias artificiais, com o melhor modelo alcançando uma precisão de classificação de 0,97 em um conjunto de dados independente com um problema de 11 classes distribuído de forma homogênea. Além disso, o melhor modelo gerou consistentemente relatórios de radiologia coerentes em linguagem natural, com uma precisão de previsão da próxima palavra de 0,84. Adicionalmente, 65% desses relatórios foram factualmente precisos em relação às anomalias artificiais identificadas. Infelizmente, esses modelos não replicaram esse sucesso para tarefas clinicamente relevantes. No geral, este estudo fornece um modelo de prova de conceito funcional para um desafio ainda não totalmente abordado pela comunidade científica. Dado o sucesso nas tarefas substitutas, o salto para tarefas clinicamente relevantes parece viável. Adquirir um conjunto de dados de alta qualidade significativamente maior parece ser o caminho mais promissor a seguir, juntamente com mais recursos computacionais para o treinamento do modelo de ponta a ponta.