Hacia la elaboración automática de informes: un conjunto de datos de broncoscopia para mejorar modelos de lenguaje multimodales de gran tamaño

Ayuda más inteligente para los especialistas en pulmón

Cuando los médicos inspeccionan las vías respiratorias con una pequeña cámara, obtienen mucha información sobre los pulmones del paciente, pero convertir lo observado en informes claros y detallados requiere tiempo y experiencia. Este estudio presenta una nueva colección cuidadosamente construida de imágenes reales de broncoscopias e informes, diseñada para enseñar a sistemas avanzados de IA cómo ayudar en la redacción. Para los pacientes, esto podría significar en el futuro informes más rápidos y coherentes y menos probabilidades de que se pasen por alto detalles importantes.

Por qué es importante mirar dentro de los pulmones

La broncoscopia es un procedimiento en el que se introduce un tubo fino con una cámara en las vías respiratorias para inspeccionar la tráquea y las ramas de los pulmones. Ayuda a los médicos a detectar problemas como inflamación, infección, tumores o hemorragia, y también puede guiar tratamientos como la extracción de cuerpos extraños o la colocación de pequeños soportes para mantener las vías abiertas. Después, el médico debe describir lo observado en un informe formal, que pasa a formar parte del historial médico del paciente y orienta las decisiones terapéuticas. Redactar estos informes es un trabajo detallado y repetitivo que depende en gran medida de la formación y la memoria del médico.

Por qué los datos existentes no bastaban

En los últimos años, modelos de IA potentes capaces de manejar imágenes y texto han avanzado en la lectura de pruebas médicas y en la redacción de informes. Sin embargo, para la broncoscopia, los datos disponibles para entrenar estos sistemas han sido estrechos e incompletos. Conjuntos anteriores cubrían a menudo solo unas pocas tareas —como detectar un tumor o marcar la posición de la cámara— mientras ignoraban muchos hallazgos cotidianos como moco, sangrado leve o edema que los médicos describen de forma rutinaria. Algunas colecciones además eran privadas, pequeñas o se centraban únicamente en decisiones simples de sí/no, lo que las convertía en malos recursos para enseñar a una IA a redactar descripciones ricas y con tono humano de lo que muestra la cámara.

Construyendo una biblioteca de imágenes más completa

Para cerrar esta brecha, los autores crearon BERD, un nuevo conjunto de datos de informes de exámenes broncoscópicos construido a partir de procedimientos reales en un gran hospital de China. De 8.477 broncoscopias realizadas entre 2022 y 2023, seleccionaron 3.692 casos representativos de pacientes y 6.330 imágenes clave que los médicos habían marcado como especialmente informativas. Para cada imagen, clínicos entrenados la vincularon con descripciones escritas precisas de lo visible, como tumores, edema, depósitos o tejido normal. Cuando una imagen no mostraba anomalía, usaron una frase estándar simple como «Es normal» para mantener la consistencia de los datos. Se eliminaron los datos personales y los informes originales en chino fueron traducidos al inglés mediante un modelo de lenguaje ejecutado localmente para proteger la privacidad.

Cómo trabajaron juntos expertos e IA

Más allá de las descripciones simples, el equipo también quiso que cada imagen fuera etiquetada con una o varias categorías médicas —como «tumor», «congestión» o «edema»— para que los modelos de IA pudieran aprender tanto a etiquetar como a describir los hallazgos. Para hacerlo de forma eficiente, especialistas sénior en broncoscopia primero definieron una lista detallada de categorías basada en guías médicas. Un modelo de lenguaje desplegado localmente escaneó luego los textos de las leyendas para sugerir qué categorías aplicaban a cada imagen. Los expertos humanos revisaron y corrigieron cuidadosamente estas sugerencias, manteniendo el control final sobre la calidad médica. El resultado es un recurso finamente anotado donde cada imagen está vinculada a una descripción clara, a su localización anatómica y a etiquetas confirmadas por especialistas, todo organizado en archivos simples que los investigadores pueden usar directamente.

Enseñar a la IA a redactar mejores informes

Para demostrar que BERD es realmente útil, los investigadores lo emplearon para entrenar varios modelos multimodales de IA líderes. Primero probaron sistemas de IA de propósito general y médicos que nunca habían visto imágenes de broncoscopia. Estos modelos con frecuencia malinterpretaron lo observado, pasando por alto tumores o inventando detalles, y obtuvieron puntuaciones bajas frente al texto escrito por expertos. El equipo afinó después modelos de código abierto con las imágenes y leyendas de BERD. Tras este entrenamiento adicional, el mejor modelo produjo descripciones que concordaban mucho más con la redacción experta y fueron consideradas aceptables por los clínicos en más del 80 % de los casos, lo que significa que el texto generado por la IA podría a menudo incorporarse directamente en un informe real con edición mínima.

Qué supone esto para la atención futura

En términos sencillos, este trabajo proporciona la «biblioteca de entrenamiento» que faltaba para que los sistemas de IA se conviertan en asistentes fiables para la elaboración de informes de broncoscopia. Aunque los datos proceden de un único hospital y ciertos detalles numéricos se eliminaron intencionadamente para evitar inducir a error a los modelos, el conjunto de datos es público, está bien documentado y es lo bastante grande como para marcar un nuevo estándar en este campo. A medida que los investigadores construyan sobre BERD, los pacientes podrían finalmente beneficiarse de informes de broncoscopia más rápidos y uniformes, lo que permitiría a los médicos dedicar más tiempo a las decisiones y al tratamiento en lugar de a la burocracia.

Cita: Luo, X., Huang, X., Liang, X. et al. Towards Automated Reporting: A Bronchoscopy Report Dataset for Enhancing Multimodality Large Language Models. Sci Data 13, 339 (2026). https://doi.org/10.1038/s41597-026-06692-8

Palabras clave: broncoscopia, imágenes médicas, informes clínicos, IA multimodal, conjuntos de datos médicos