O revizuire analizează utilizarea modelelor de bază în imagistica medicală în practica clinică
Inteligența artificială este deja folosită pe scară largă pentru detectarea leziunilor, clasificarea bolilor și predicția rezultatelor în imagistica medicală, însă majoritatea sistemelor sunt concepute pentru o singură sarcină și depind în mare măsură de datele etichetate de experți.
Performanța acestora poate scădea atunci când scanerele, protocoalele de achiziție, populațiile de pacienți sau instituțiile diferă de mediul de formare. Modelele de bază promit o reutilizare mai mare prin pre-antrenarea pe colecții mari de imagini, perechi de imagini-raport, texte clinice, înregistrări structurate și videoclipuri.
Dovezile actuale provin în mare parte din benchmark-uri publice, cohorte retrospective și medii controlate, lăsând incertitudini cu privire la robustețea, echitatea și impactul clinic în lumea reală. Din cauza acestor provocări, este necesară o cercetare mai aprofundată în ceea ce privește datele reprezentative, validarea prospectivă, integrarea fluxului de lucru și guvernanța continuă.
O echipă de cercetători de la Institutul de Automatizare al Academiei Chineze de Științe și de la Școala de Medicină a Ingineriei de la Universitatea Beihang a publicat o revizuire în iulie 2026 în Jurnalul Medical al Spitalului Colegiului Medical Peking Union. Autorii analizează modul în care modelele de bază în imagistica medicală sunt construite, adaptate, evaluate și îndreptate spre utilizarea clinică.
Ei evaluează progresele în domeniile radiologiei, patologiei digitale, ultrasunetului și video-ului chirurgical, subliniind că o întrebare centrală nu este doar dacă aceste modele pot îndeplini multe sarcini, ci dacă pot oferi o valoare stabilă și verificabilă în medii clinice reale.
Revizuirea organizează domeniul în patru căi de dezvoltare interconectate: pre-antrenarea reprezentării imaginii, alinierea imaginii-limbaj, integrarea mai multor surse de date clinice și modelarea secvențelor vizuale dinamice. Datele utilizate pot include tomografie computerizată (CT), imagistică prin rezonanță magnetică (IRM), raze X, ultrasunete, lame de patologie, rapoarte, măsurători de laborator, înregistrări de tratament, endoscopie și videoclipuri chirurgicale.
Autorii explică faptul că volumul de date poate fi înșelător, deoarece milioane de pachete de imagini sau cadre video pot să nu corespundă unui număr echivalent de pacienți independenți. Prin urmare, controlul calității, deduplicarea, independența la nivel de pacient, acoperirea între centre și asocierea fiabilă între imagini și texte sunt considerații critice.
De asemenea, ei descriu strategiile de adaptare care variază de la capete ușoare de sarcină la ajustări fine, învățare prin sugestii și ajustarea instrucțiunilor. Exemplele monomodale includ subtipizarea cancerului, predicția mutațiilor, estimarea supraviețuirii și segmentarea leziunilor, în timp ce sistemele de limbaj vizual adaugă capacități de recuperare și răspuns la întrebări.
Este esențial ca evaluarea să se extindă dincolo de acuratețe. Revizuirea propune examinarea robusteței algoritmice în condiții externe și în fața perturbărilor de intrare, utilitatea clinică prin comparații între performanța clinicianului și cea a modelului, precum și rezultatele fluxului de lucru, cum ar fi timpul de raportare, eficiența triagerii, examinările repetate, utilizarea resurselor și rezultatele pacienților.
De asemenea, subliniază că un model de bază poate să nu performeze la fel de bine ca un sistem specific unei sarcini într-un cadru clinic bine definit. Revizuirea argumentează că următorul reper al domeniului nu ar trebui să fie o altă creștere a numărului de parametri, ci dovada că un model poate funcționa în siguranță într-un rol clinic definit.
Se sugerează că o cale mai fezabilă ar putea fi utilizarea modelelor de bază pentru a asista în sarcini limitate, revizibile—precum triageria, redactarea rapoartelor, segmentarea interactivă, stratificarea riscurilor sau urmărirea structurată—în loc să se încerce înlocuirea întregului proces de diagnosticare.
Revizuirea face apel la indicații clare, utilizări interzise, cerințe de calitate a intrării, semnale de incertitudine, responsabilitățile de revizuire umană, raportarea eșecurilor, urmărirea versiunilor și revalidarea după actualizări.
Pentru desfășurarea clinică, revizuirea conturează o cale practică pentru transformarea capacităților tehnice largi în suport clinic responsabil. Modelele ar trebui să se conecteze fiabil la sistemele de arhivare și comunicare a imaginilor (PACS), sistemele informaționale de radiologie (RIS) și sistemele informaționale ale spitalelor (HIS), păstrând în același timp jurnale ale intrărilor, ieșirilor, modificărilor clinicianului, avertismentelor și versiunilor software-ului.
Studiile prospective ar trebui să testeze dacă desfășurarea îmbunătățește deciziile, eficiența sau rezultatele pacienților în centre și grupuri de pacienți diferite. Guvernanța trebuie să abordeze, de asemenea, problemele legate de confidențialitate, consimțământ, utilizarea datelor secundare, drepturi de autor, prejudiciul demografic, derapajul performanței și responsabilitatea pentru erori.
Consecința mai largă este că traducerea clinică va depinde de un parteneriat stratificat între modelele de bază generale, sistemele specifice specialității și supravegherea umană, fiecare componentă având un rol bine definit și auditabil.
