Estudio Prospectivo de Usuarios y Validación Multicéntrica de Modelos Grandes de Imágenes Médicas Multimodales

Antecedentes: Los modelos grandes multimodales han mostrado un potencial significativo en imágenes médicas. Sin embargo, su rendimiento e impacto en los flujos de trabajo clínicos en múltiples centros requieren una validación rigurosa.

Objetivo: Evaluar el rendimiento diagnóstico de un modelo grande multimodal e investigar si la asistencia de IA puede mejorar la precisión diagnóstica y la eficiencia de radiólogos con diferentes niveles de experiencia.

Metodología: Esta investigación está diseñada como un estudio comparativo multicéntrico retrospectivo de lectores. Se recopilará un conjunto de datos variado y a gran escala de imágenes médicas (incluyendo TC y RM) de las instituciones participantes. Un grupo de radiólogos autorizados realizará tareas de diagnóstico en dos sesiones separadas: una sesión independiente (sin asistencia de IA) y una sesión asistida por IA, con un período de lavado adecuado entre sesiones.

Análisis de datos: El "estándar de oro" clínico se establecerá mediante consenso de expertos o resultados histológicos. El estudio comparará el área bajo la curva característica operativa del receptor (AUC), la sensibilidad y la especificidad entre los modos independiente y asistido por IA. Además, se registrará el tiempo de lectura por caso para evaluar la eficiencia diagnóstica.

Ética: Este estudio utiliza datos retrospectivos anonimizados y no altera el manejo clínico ni el tratamiento de los pacientes.

El modelo grande multimodal se desarrolló y preentrenó utilizando un conjunto masivo de aproximadamente 1,000,000 de casos de imágenes médicas. Este estudio se centra en la validación clínica multicéntrica usando una cohorte de prueba independiente de 1,000 casos.