Un model AI interactiv îmbunătățește diagnosticul explicabil al cancerului pulmonar din scanările CT
Cancerul pulmonar rămâne una dintre principalele cauze ale deceselor legate de cancer la nivel global, ceea ce face ca diagnosticul precoce și precis să fie esențial pentru îmbunătățirea rezultatelor pacienților.
Scanările CT toracice sunt utilizate pe scară largă pentru a detecta nodulii pulmonari, însă interpretarea acestor imagini necesită o evaluare atentă a mai multor caracteristici, inclusiv formă, margini și structură internă. Acest proces este adesea complex și depinde foarte mult de expertiza radiologului, ceea ce duce la variabilitate în diagnostic. Deși inteligența artificială (AI) a îmbunătățit acuratețea clasificării în ultimii ani, majoritatea sistemelor oferă în continuare doar rezultate binare, oferind puțin „insight” în modul în care sunt ajunse la concluzii.
Pentru a aborda această provocare, o echipă de cercetare condusă de Maiko Nagao, studentă la Universitatea Meijo din Japonia, împreună cu profesorii Atsushi Teramoto, Hiroshi Fujita și Kazuyoshi Imaizumi, a dezvoltat un nou cadru de suport diagnostic bazat pe întrebări vizuale (VQA), care permite generarea interactivă de concluzii medicale din imagini CT toracice. Rezultatele studiului au fost publicate în International Journal of Computer Assisted Radiology and Surgery pe 27 martie 2026.
„Metodele convenționale de suport diagnostic bazate pe AI au fost lipsite de explicabilitate deoarece s-au concentrat în principal pe clasificarea leziunilor ca benigne sau maligne din imaginile medicale. Acest lucru a făcut dificil pentru clinicieni interpretarea și utilizarea rezultatelor. Astfel, scopul nostru a fost să generăm concluzii asemănătoare celor scrise de medici pentru a îmbunătăți utilizabilitatea și acceptarea rezultatelor generate de AI”, afirmă Nagao.
Echipa a construit un set de date dedicat, bazându-se pe anotări structurate provenite din Lung Image Database Consortium și Image Database Resource Initiative (LIDC-IDRI). Aceste anotări descriu caracteristicile morfologice cheie ale nodulilor pulmonari, cum ar fi sfericitatea, marginea, textura, lobularea, spicularea și calcificarea. Prin conversia acestor date structurate în descrieri în limbaj natural și asocierea lor cu întrebări clinice relevante, cercetătorii au creat un cadru de antrenament care leagă imagini, întrebări și concluzii. Modelul vizual-limbaj a fost apoi ajustat pentru a genera răspunsuri bazate atât pe inputul vizual, cât și pe întrebările formulate de medici.
Rezultatele au demonstrat că sistemul a reușit să producă concluzii medicale semnificative și lingvistic naturale. Evaluările cantitative au arătat o concordanță puternică cu descrierile de referință, incluzând un scor CIDEr ridicat de 3.896, ceea ce indică rezultate precise și relevante contextului. Este important de menționat că modelul a menținut consistența în ceea ce privește caracteristicile morfologice cheie, susținând interpretarea fiabilă a nodulilor pulmonari. Spre deosebire de sistemele AI convenționale, această abordare le permite medicilor să pună întrebări țintite, cum ar fi cele legate de formă sau structură internă, și să primească răspunsuri detaliate și explicabile. „Studiul nostru demonstrează o tehnologie care permite explorarea interactivă a caracteristicilor leziunilor și generarea de concluzii din imaginile CT și poate servi ca instrument de învățare pentru medici, reducând astfel variabilitatea în diagnostice”, afirmă Teramoto.
Studiul subliniază de asemenea importanța explicabilității în AI medical. Prin prezentarea concluziilor într-un format de întrebări și răspunsuri, sistemul oferă transparență în procesul de raționare diagnostică, facilitând astfel încrederea și utilizarea rezultatelor generate de AI de către clinicieni. Această capacitate interactivă poate sprijini redactarea rapoartelor, poate îmbunătăți instruirea profesioniștilor din domeniul medical și poate reduce inconsistențele în diagnostice.
Motivată de o experiență personală, Nagao a subliniat impactul real al muncii, afirmând: „Unii pacienți nu pot suferi teste invazive, cum ar fi biopsiile, din cauza altor afecțiuni medicale. Acest lucru m-a inspirat să dezvolt o metodă care să sprijine diagnosticul fără a adăuga o povară pacienților. Prin crearea unor rezultate AI mai ușor de înțeles și interactive, sperăm să îmbunătățim atât deciziile clinice, cât și îngrijirea pacienților.”
În ansamblu, această cercetare introduce o nouă paradigmă pentru diagnosticul asistat de AI prin combinarea cunoștințelor medicale structurate cu raționamentul bazat pe limbaj interactiv. Pe termen scurt, sistemul ar putea ajuta la standardizarea practicilor de diagnostic și la sprijinirea medicilor în interpretarea imaginilor CT complexe. Pe termen lung, ar putea permite un sistem de sănătate mai transparent, colaborativ și bazat pe date, deschizând calea pentru instrumente de diagnostic avansate care să se integreze fără probleme în fluxurile de lucru clinice.
