Artículo original: Hong EK, Kim HW, Song OK, Lee K-C, Kim DK, Cho J-B, et al. Multimodal generative artificial intelligence model for creating radiology reports for chest radiographs in patients undergoing tuberculosis screening. AJR Am J Roentgenol. 2025
DOI: https://doi.org/10.2214/AJR.25.33059
Sociedad: Amercian Roentgen Ray Society (ARRS).
Palabras clave: No se especifican palabras clave.
Abreviaturas y acrónimos utilizados: AI (Artificial Intelligence), CAD (Computer-Aided Diagnosis), CI (Confidence Interval), NPV (Negative Predictive Value), PPV (Positive Predictive Value), WHO (World Health Organization).
Línea editorial: La revista American Journal of Roentgenology (AJR) es una revista de publicación mensual asociada a la Amercian Roentgen Ray Society (ARRS). Se centra en artículos clínicamente orientados, abarcando investigación original, revisiones, perspectivas clínicas, editoriales y otro tipo de manuscritos. En su último número destacan los trabajos sobre radiología cardiotorácica y pediatría. Por su interés, remarco el artículo Photon-Counting Detector CTA in Standard and Ultrahigh-Resolution Modes for Diagnosing Coronary Artery Stenosis Using Invasive Angiography as the Reference: A Prospective Study. En él se evalúa la eficacia diagnóstica del tomografía computerizada con detector de conteo de fotones en modos de resolución estándar y ultra-alta para detectar la estenosis coronaria significativa empleando la angiografía invasiva como referencia. Por otro lado, el artículo Gadopiclenol Versus Gadoterate Meglumine for Pediatric Brain MRI: An Intraindividual Comparison of Contrast Enhancement compara dos medios de contraste en resonancia magnética, el gadopiclenol y el gadoterato de meglumina, en la adquisición de imágenes. El gadopiclenol permite reducir a la mitad la dosis de gadolinio sin perder la eficacia diagnóstica, además de disminuir la exposición acumulada en niños.
Motivos para la selección: Se ha considerado la revisión de este artículo original de investigación debido a la gran importancia del diagnóstico precoz de la tuberculosis y el papel que puede adoptar la inteligencia artificial en la universalización de la atención médica. Además, remarca cómo el trabajo conjunto del radiólogo con el modelo generativo de inteligencia artificial ofrece resultados superiores, en términos de eficacia, que por separado.
Resumen:
La tuberculosis es una enfermedad causante de gran morbimortalidad a nivel global, en especial en regiones en vías de desarrollo. Su detección precoz permite iniciar el tratamiento de forma precoz y evitar secuelas a largo plazo. Es por ello por lo que los programas de cribado adquieren una gran importancia. Sin embargo, la falta de recursos materiales y humanos complica esta labor en zonas de mayor necesidad. La inteligencia artificial se presenta como una herramienta útil al respecto, dado que permite analizar grandes volúmenes de información y optimizar los flujos de trabajo. El objetivo de este trabajo es evaluar el rendimiento de un modelo de inteligencia artificial generativa para el cribado de la tuberculosis.
A partir de dos bases de datos de radiografías de tórax realizadas para el cribado de esta entidad, se ha entrenado a un modelo de inteligencia artificial generativa para la generación de informes en texto libre, indicando la presencia o ausencia de patología y su lateralidad. Asimismo, dos radiólogos revisaron las imágenes en dos fases, la primera sin la ayuda de la inteligencia artificial y la segunda teniendo en cuenta los informes generados por la misma, determinando la validez de estos. Por otro lado, dos radiólogos establecieron el estándar de referencia.
De las 800 placas analizadas, 422 tenían hallazgos patológicos. Se comprobó que los radiólogos obtuvieron mejor precisión diagnóstica que la inteligencia artificial, aunque el rendimiento fue mejor en el caso del radiólogo que se apoyó en los informes generados por la misma. Además, la localización de las anomalías fue mejor establecida por los radiólogos. Finalmente, estos últimos aceptaron como válidos un elevado porcentaje de los informes creados por el modelo generativo de inteligencia artificial en estudios normales pero la proporción bajó en las radiografías informadas como patológicas.
Este trabajo tiene diversas limitaciones. Es un estudio retrospectivo que extrae la información de dos bases de datos con características clínicas específicas, de manera que los hallazgos pueden no ser extrapolables a otras poblaciones de pacientes. Además, el estándar de referencia se basa en la revisión de radiografías por un radiólogo, ante la falta de un estándar de referencia independiente. Por otro lado, no se especifica si los hallazgos se contextualizan dentro de la enfermedad activa o la crónica, así la anatomía más específica (se habla de izquierda o derecha pero no del lóbulo afecto). El estudio no valora la adecuación de los informes generados por la inteligencia artificial, así como si los hallazgos descritos se deben a la tuberculosis o a otras enfermedades pulmonares.
En conclusión, aunque los modelos de inteligencia artificial pueden resultar de gran utilidad en el cribado de la tuberculosis en regiones con escasez de medios, la supervisión de los resultados por los radiólogos es necesaria para mejorar la precisión diagnóstica.
Valoración personal: El artículo expone el papel de la inteligencia artificial en el diagnóstico por imagen y el papel del radiólogo. La reflexión que se extrae de los resultados del estudio es que no es necesario sustituir los métodos tradicionales por otros más modernos, sino que su combinación ofrece mejores perspectivas que por separado. La complejidad del análisis de la mente humana todavía no puede ser limitada por la tecnología. Los modelos de inteligencia artificial alivian la carga laboral del médico y mejoran su desempeño en los casos más difíciles de diagnosticar.
David Amo Calzas
Hospital Universitario de Getafe, Getafe, R3
cbseram.com 
Deja un comentario