RadFusion: Framework AI Aggiunge Controllo di Soglia ai Referti Radiologici
Un nuovo framework AI chiamato RadFusion mira a dare ai radiologi il controllo sul compromesso sensibilità-specificità nella generazione automatizzata di referti radiologici. Il sistema, descritto in un preprint su arXiv (2608.10505), combina un classificatore multi-etichetta che fornisce punteggi di confidenza per malattia con un generatore di referti basato su VQA che dettaglia i reperti medici. Un LLM riscrive poi il referto per allineare le diagnosi dichiarate con una soglia scelta. Questo affronta una lacuna critica: i modelli di generazione esistenti non hanno la capacità di adattarsi a diversi scenari clinici, come il triage di emergenza (che prioritizza la sensibilità) rispetto all'interpretazione di conferma (che enfatizza la specificità). Il framework supporta anche la validazione basata su ROC, spesso richiesta per l'approvazione normativa. La ricerca risponde alla carenza globale di radiologi e alla necessità di strumenti AI più adattabili nell'imaging medico.
Fatti principali
- RadFusion è un framework per la generazione di referti radiologici con soglia controllabile.
- Fonde un classificatore multi-etichetta con un generatore di referti basato su VQA.
- Un LLM riscrive i referti per corrispondere al compromesso sensibilità-specificità desiderato.
- Il metodo affronta la mancanza di controllo nei modelli di generazione esistenti.
- Supporta la validazione basata su ROC per l'approvazione normativa.
- La ricerca è motivata dalla carenza di radiologi.
- Il preprint è disponibile su arXiv con ID 2608.10505.
- Il framework può adattarsi a scenari di triage di emergenza e interpretazione di conferma.
Entità
Istituzioni
- arXiv