La automatización de la generación de informes médicos está dando un paso adelante gracias a un nuevo marco propuesta por un equipo de investigación de la Universidad Kyung Hee en Corea. Han introducido un sistema eficiente en cuanto a recursos, basado en Modelos de Lenguaje de Gran Escala (LLM) capacitados para generar informes radiológicos de rayos X de tórax automáticamente, disminuyendo así la carga de trabajo y el margen de error humano en los radiodiagnósticos.

El método utiliza un encoder de visión médica denominado MedCLIP para extraer datos visuales y transformarlos en un lenguaje comprensible para los modelos GPT-2 y Qwen1.5. Estos visuales son traducidos a través de una red de mapeo ligera, mejorando la capacidad de estos LLMs congelados para generar informes contextualizados de manera precisa, resaltando su potencial para transformar la automatización clínica.

Un aspecto innovador del enfoque es el uso de la técnica de ajuste de prefijo, que optimiza los vectores al inicio de las secuencias de entrada del modelo. Este proceso maximiza el potencial del LLM manteniendo sus parámetros intactos, ofreciendo una eficiencia de recursos sin igual en el ámbito clínico. Al ser evaluada en el conjunto de datos MIMIC-CXR, la tecnología logró generar informes precisos con alta calidad textual, superando incluso las soluciones tradicionales más complejas y consumidoras de recursos.

En pruebas comparativas, el sistema alcanzó puntuaciones sobresalientes en las métricas NLG (Natural Language Generation) Bleu, superando a enfoques anteriores tanto basados en transformadores como en LLMs grandes. Esto es un hecho notable ya que el modelo Qwen1.5 superó a las configuraciones más pesadas, demostrando una eficiencia superior con una fracción de los recursos requeridos.

El potencial de esta tecnología no se limita al tratamiento de rayos X, y su eficiencia en la generación de texto médico abre oportunidades para su implementación en el campo clínico, donde la optimización de recursos es crucial. Al basar la generación de informes en un modelo más pequeño y eficiente, se allana el camino para futuros desarrollos en tareas similares, permitiendo una mayor automatización clínica sin comprometer la exactitud o calidad.