En este estudio, los investigadores han logrado avances significativos en la clasificación de patologías en rayos X sin necesidad de anotaciones específicas de médicos. Esto se ha alcanzado mediante la refinación de modelos de red neuronal profundo preentrenados, específicamente diseñados para aprovechar datos de texto e imagen.

Una de las estrategias introducidas es una técnica de ajuste fino que incluye la relajación de la pérdida por pares positivos y la selección aleatoria de oraciones. Este método permite un mejor desempeño en la clasificación de patologías sin el uso de conocimiento externo y puede aplicarse a cualquier codificador de imagen-texto preentrenado. Además, destacaron que el enfoque es fácilmente transferible a conjuntos de datos que no pertenecen al dominio sin la necesidad de más entrenamiento.

En prueba, dicha estrategia incrementó el desempeño de la clasificación sin anotaciones de radiografías de tórax a través de cuatro conjuntos de datos y tres modelos preentrenados, mostrando un incremento promedio del AUROC macro de 4.3%. Además, el método superó a los radiólogos certificados por la junta en algunas clasificaciones específicas dentro del conjunto de datos CheXpert.

A lo largo del estudio, se observa cómo las redes neuronales profundas han sido decisivas para analizar y clasificar datos visuales y textuales en el ámbito médico, enfrentando el desafío de la escasez de datos etiquetados por expertos. Esto significó un freno para su adopción masiva en el entorno médico antes de la implementación de modelos preentrenados en dominios generales.

Asimismo, se abordó el problema de la dependencia de imágenes anotadas por expertos al proponer la toma de imágenes de rayos X emparejadas con sus informes correspondientes en datasets como MIMIC-CXR. De esta forma, se logra un gran avance en la clasificación sin dependencias de etiquetas.

Conclusión: Esta investigación marca un hito destacable al demostrar que, mediante técnicas avanzadas de aprendizaje automático, es posible equiparar e incluso superar el juicio de expertos en ciertas clasificaciones médicas, reduciendo la necesidad de datos anotados por personal especializado, lo que beneficia la rapidez y eficiencia en diagnósticos por imagen.