Un equipo de investigadores en la Universidad de California en Los Ángeles ha desarrollado un modelo innovador basado en el uso de características semánticas y de imagen para detectar el cáncer de pulmón en etapas tempranas. Utilizando un modelo de preentrenamiento de imágenes-lenguaje contrastivo (CLIP), el equipo logró integrar las evaluaciones de los radiólogos sobre características de nódulos pulmonares, mejorando así la precisión en la predicción de la malignidad de dichos nódulos.
Este modelo se entrenó con 938 tomografías computarizadas de dosis baja del National Lung Screening Trial, que incluyeron 1,246 nódulos, y con características semánticas detalladas del Lung Image Database Consortium, compuesto por 1,018 exploraciones con más de 2,600 lesiones. Además, se utilizaron otros conjuntos de datos externos como el UCLA Health, el LUNGx Challenge y el Duke Lung Cancer Screening para aumentar la robustez del modelo.
El CLIP se afinó utilizando un método eficiente en parámetros que permite alinear las características de imágenes y semánticas para predecir el diagnóstico de cáncer de pulmón a un año. Los resultados mostraron un impresionante área bajo la curva característica operativa del receptor (AUROC) de 0.90 y un área bajo la curva de precisión-rellamada (AUPRC) de 0.78, superando a los modelos estatales en conjuntos de datos externos de diferentes configuraciones clínicas.
Este enfoque innovador no solo mejora la capacidad de interpretación de los modelos, sino que también reduce la posibilidad de que el sistema aprenda características no significativas clínicamente. Además, proporciona salidas explicativas, facilitando a los médicos la comprensión de las decisiones de predicción del modelo. La reducción del peso de la carga manual en los radiólogos es otro de los beneficios tangibles de esta investigación, mostrando un camino prometedor hacia la inclusión de técnicas de inteligencia artificial que respalden los diagnósticos clínicos.
En conclusión, el uso de modelos semánticos orientados por lenguaje e imagen en la detección temprana del cáncer de pulmón no solo mejora la precisión sino que ofrece explicaciones de fácil comprensión, reforzando la relevancia clínica de los diagnósticos automáticos y sentando un precedente para su integración en diferentes contextos clínicos.