En nuestro viaje en constante evolución para mejorar la atención médica a través de la tecnología, estamos anunciando un nuevo punto de referencia único para la generación de informes de radiología fundamentada (Padchest-gr (abre en la pestaña nueva). El primer conjunto de datos de datos de radiología de oraciones bilingües y multimodal del mundo, desarrollado por la Universidad de Alicante con Microsoft Analysis, College Hospital Sant Joan d’Alacant y Medbravo, está configurado para redefinir cómo la IA y los radiólogos interpretan imágenes radiológicas. Nuestro trabajo demuestra cómo la colaboración entre humanos y IA puede crear poderosos bucles de retroalimentación, donde los nuevos conjuntos de datos impulsan mejores modelos de IA, y esos modelos, a su vez, inspiran conjuntos de datos más ricos. Estamos entusiasmados de compartir este progreso en NEJM AI, destacando tanto la relevancia clínica como la excelencia en la investigación de esta iniciativa.
Una nueva frontera en generación de informes de radiología
Se estima que más de la mitad de las personas que visitan hospitales tienen escaneos de radiología que deben ser interpretados por un profesional clínico. Los informes de radiología tradicionales a menudo condensan múltiples hallazgos en narrativas no estructuradas. Por el contrario, los informes de radiología fundamentados exigen que cada hallazgo se describiera y localice individualmente.
Esto puede mitigar el riesgo de fabricaciones de IA y permitir nuevas capacidades interactivas que mejoren la interpretabilidad clínica y del paciente. Padchest-Gr es el primer conjunto de datos bilingües en abordar esta necesidad con 4,555 estudios de rayos X de tórax completos con descripciones a nivel de oración español e inglés y anotaciones espaciales precisas (caja limitada) para hallazgos positivos y negativos. Es el primer punto de referencia público que nos permite evaluar la generación de informes de radiología totalmente fundamentados en las radiografías de tórax.
Highlight: serie de eventos
Foro de Investigación de Microsoft
Únase a nosotros para un intercambio continuo de concepts sobre la investigación en la period del normal IA. Mira los primeros cuatro episodios a pedido.
Este punto de referencia no está solo: juega un papel elementary en la alimentación de nuestro modelo de generación de informes multimodales de última generación, Maira-2. Aprovechar las anotaciones detalladas de Padchest-GR, Maira-2 representa nuestro compromiso de construir sistemas de IA más interpretables y clínicamente útiles. Puedes explorar nuestro trabajo en Maira-2 en nuestro página net del proyectoincluida la reciente investigación de usuarios realizada con médicos en entornos de atención médica.
Padchest-Gr es un testimonio del poder de la colaboración. Aurelia Bustos en Medbravo y Antonio Pertusa en la Universidad de Alicante publicó el authentic Conjunto de datos Padchest (abre en la pestaña nueva) en 2020, con la ayuda de José María Salinas del Hospital San Juan de Alicante y María de la Iglesia Vayá del Centro de Excelencia en Imágenes Biomédicas en el Ministerio de Salud en Valencia, España. Comenzamos a mirar a Padchest y quedamos profundamente impresionados por la escala, la profundidad y la diversidad de los datos.
A medida que trabajamos más de cerca con el conjunto de datos, nos dimos cuenta de la oportunidad de desarrollar esto para la investigación de informes de radiología fundamentados y trabajamos con el equipo de la Universidad de Alicante para determinar cómo abordar esto. Nuestra experiencia complementaria fue una buena opción. En Microsoft Analysis, nuestra misión es superar los límites de la IA médica a través de soluciones innovadoras basadas en datos. La Universidad de Alicante, con su profunda experiencia clínica, proporcionó concepts críticas que enriquecieron enormemente la relevancia y la utilidad del conjunto de datos. El resultado de esta colaboración es el conjunto de datos Padchest-GR.
Un facilitador significativo de nuestro proceso de anotación fue Laboratorios de centauros. El equipo de radiólogos senior y junior del Hospital Universitario Sant Joan d’Alacant, coordinado por Joaquin Galant, utilizó esta plataforma de etiquetado que cumple con HIPAA para realizar rigurosos management de calidad a nivel de estudio y anotaciones de caja limitantes. El protocolo de anotación implementado aseguró que cada anotación fuera precisa y consistente, formando la columna vertebral de un conjunto de datos diseñado para la próxima generación de modelos de generación de informes de radiología fundamentados.
Acelerar la anotación del conjunto de datos Padchest-GR con IA
Nuestro enfoque integra modelos de lenguaje grande avanzados con anotación handbook integral:
Selección y procesamiento de datos: Apalancamiento Servicio Microsoft Azure OpenAI (abre en la pestaña nueva) Con GPT-4, extrajimos oraciones que describen hallazgos positivos y negativos individuales de informes de radiología en bruto, las tradujeron del español al inglés y vinculamos cada oración a las etiquetas expertas existentes de Padchest. Esto se realizó para un subconjunto seleccionado del conjunto de datos Padchest completo, cuidadosamente seleccionado para reflejar una distribución realista de hallazgos clínicamente relevantes.
Management de calidad handbook y anotación: Los estudios procesados se sometieron a controles de calidad meticulosos en la plataforma de Centaur Labs por el radiólogo del Hospital San Juan de Alicante. Cada hallazgo positivo se anotó luego con cajas delimitadoras para capturar información espacial crítica.
Estandarización e integración: Todas las anotaciones se armonizaron en informes fundamentados coherentes, preservando la estructura y el contexto de los hallazgos originales al tiempo que mejoran la interpretabilidad.
Impacto y direcciones futuras
Padchest-Gr no solo establece un nuevo punto de referencia para informes de radiología fundamentados, sino que también sirve como base para nuestro modelo Maira-2, que ya muestra el potencial de altamente interpretable IA en entornos clínicos. Si bien desarrollamos Padchest-GR para ayudar a entrenar y validar nuestros propios modelos, creemos que la comunidad de investigación se beneficiará enormemente de este conjunto de datos durante muchos años. Esperamos ver que la comunidad de investigación más amplia se construya sobre esto, mejorando los modelos de IA de informes fundamentados y el uso de Padchest-GR como estándar para la evaluación. Creemos que al fomentar la colaboración abierta y compartir nuestros recursos, podemos acelerar el progreso en la IA médica y, en última instancia, mejorar la atención al paciente junto con la comunidad.
La colaboración entre Microsoft Analysis y la Universidad de Alicante destaca el poder transformador de trabajar juntos en todas las disciplinas. Con nuestra publicación en NEJM-AI y el papel integral de Padchest-Gr en el desarrollo de Maira-2 (abre en la pestaña nueva) y Radiante (abre en la pestaña nueva)estamos entusiasmados con el futuro de la radiología empoderada con AI. Invitamos a investigadores y expertos de la industria a explorar Padchest-GR y Maira-2, contribuir con concepts innovadoras y unirnos a nosotros para avanzar en el campo de los informes de radiología fundamentados.
Documentos que ya usan Padchest-Gr:
Para más detalles o para descargar Padchest-Gr, visite el Proyecto BIMCV Padchest-Gr (abre en la pestaña nueva).
Modelos en la fundición de Azure que pueden hacer informes fundamentados:
Reconocimiento
- Autores: Daniel C. Castro (abre en la pestaña nueva), Aurelia bustos (abre en la pestaña nueva), Shruthi bannur (abre en la pestaña nueva), Stephanie L. Hyland (abre en la pestaña nueva), Kenza Bouzid (abre en la pestaña nueva), Maria Teodora Wetscherek (abre en la pestaña nueva), María Dolores Sánchez-Valverde (abre en la pestaña nueva), Lara Jaques-Pérez (abre en la pestaña nueva), Lourdes Pérez-Rodríguez (abre en la pestaña nueva), Kenji Takeda (abre en la pestaña nueva), José María Salinas (abre en la pestaña nueva), Javier Alvarez-Valle (abre en la pestaña nueva), Joaquín Galant Herrero (abre en la pestaña nueva), Antonio Pertusa (abre en la pestaña nueva)
