Rumo ao Relato Automatizado: Um Conjunto de Dados de Relatórios de Broncoscopia para Aprimorar Modelos de Linguagem Multimodais de Grande Porte

Ajuda Mais Inteligente para Médicos de Pulmão

Quando os médicos examinam as vias aéreas com uma câmera minúscula, eles obtêm muitas informações sobre os pulmões do paciente — mas transformar o que observam em relatórios claros e detalhados exige tempo e experiência. Este estudo apresenta uma nova coleção cuidadosamente elaborada de imagens e relatórios reais de broncoscopia, projetada para ensinar sistemas avançados de IA a auxiliar na redação desses documentos. Para os pacientes, isso pode significar, no futuro, relatórios mais rápidos, mais consistentes e menos chance de que detalhes importantes sejam perdidos.

Por Que Examinar o Interior dos Pulmões É Importante

A broncoscopia é um procedimento no qual um tubo fino com uma câmera é guiado pelas vias aéreas para inspecionar a traqueia e os ramos dos pulmões. Ela ajuda os médicos a detectar problemas como inflamação, infecção, tumores ou sangramento, e também pode guiar tratamentos, como a remoção de corpos estranhos ou a colocação de pequenos suportes para manter as vias aéreas abertas. Depois, o médico deve descrever o que foi visto em um relatório formal, que passa a integrar o prontuário do paciente e orienta decisões terapêuticas. Escrever esses relatórios é um trabalho detalhado e repetitivo, que depende muito da formação e da memória do médico.

Por Que os Dados Existentes Não Eram Suficientes

Nos últimos anos, modelos de IA poderosos capazes de lidar com imagens e texto avançaram na leitura de exames médicos e na elaboração de relatórios. No entanto, para broncoscopia, os dados disponíveis para treinar esses sistemas foram limitados e incompletos. Conjuntos anteriores frequentemente cobriam apenas algumas tarefas — como detectar um tumor ou marcar a posição da câmera — enquanto ignoravam muitas achados cotidianos, como muco, sangramento leve ou inchaço, que os médicos descrevem rotineiramente. Algumas coleções também eram privadas, pequenas ou focadas apenas em decisões simples de sim/não, tornando-as incapazes de ensinar uma IA a produzir descrições ricas e com linguagem humana do que a câmera mostra.

Construindo uma Biblioteca de Imagens Mais Rica

Para preencher essa lacuna, os autores criaram o BERD, um novo conjunto de dados de relatórios de exames broncoscópicos construído a partir de procedimentos reais em um grande hospital na China. De 8.477 broncoscopias realizadas entre 2022 e 2023, eles selecionaram 3.692 casos representativos de pacientes e 6.330 imagens-chave que os médicos haviam marcado como especialmente informativas. Para cada imagem, clínicos treinados a associaram a descrições textuais precisas do que era visível, como tumores, edema, depósitos ou tecido normal. Quando uma imagem não mostrava problema, eles usaram uma frase padrão simples como “Está normal” para manter a consistência dos dados. Detalhes pessoais foram removidos e os relatórios originais em chinês foram traduzidos para o inglês usando um modelo de linguagem executado localmente para proteger a privacidade.

Como Especialistas e IA Trabalharam Juntos

Além de descrições simples, a equipe também quis que cada imagem fosse etiquetada com uma ou mais categorias médicas — como “tumor”, “congestão” ou “edema” — para que os modelos de IA pudessem aprender tanto a rotular quanto a descrever os achados. Para fazer isso de forma eficiente, especialistas seniores em broncoscopia definiram primeiro uma lista detalhada de categorias com base em diretrizes médicas. Um modelo de linguagem implantado localmente então varreu as legendas textuais para sugerir quais categorias se aplicavam a cada imagem. Especialistas humanos verificaram e corrigiram cuidadosamente essas sugestões, mantendo o controle final sobre a qualidade médica. O resultado é um recurso finamente anotado, em que cada imagem está vinculada a uma descrição clara, localização anatômica e rótulos confirmados por especialistas, tudo organizado em arquivos simples que pesquisadores podem usar diretamente.

Ensinando a IA a Redigir Relatórios Melhores

Para demonstrar que o BERD é realmente útil, os pesquisadores o usaram para treinar vários modelos multimodais de ponta. Primeiro, testaram sistemas de IA de uso geral e médicos que nunca haviam visto imagens de broncoscopia. Esses modelos frequentemente interpretaram mal o que viam, deixando de detectar tumores ou inventando detalhes, e tiveram pontuações baixas quando comparados ao texto escrito por especialistas. A equipe então ajustou modelos de código aberto usando as imagens e legendas do BERD. Após esse treinamento adicional, o melhor modelo produziu descrições que correspondiam muito mais à redação dos especialistas e foram consideradas aceitáveis pelos clínicos em mais de 80% das vezes — o que significa que o texto gerado pela IA poderia frequentemente ser inserido diretamente em um relatório real com edição mínima.

O Que Isso Significa para o Cuidado Futuro

Em termos diretos, este trabalho fornece a “biblioteca de treinamento” que faltava para que sistemas de IA se tornem assistentes confiáveis na elaboração de relatórios de broncoscopia. Embora os dados provenham de um único hospital e alguns detalhes numéricos tenham sido intencionalmente removidos para evitar induzir modelos ao erro, o conjunto é público, bem documentado e grande o bastante para estabelecer um novo padrão nessa área. À medida que pesquisadores construírem sobre o BERD, os pacientes poderão, eventualmente, se beneficiar de relatórios de broncoscopia mais rápidos e uniformes, dando aos médicos mais tempo para focar em decisões e tratamento em vez de burocracia.

Citação: 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

Palavras-chave: broncoscopia, imagens médicas, relatórios clínicos, IA multimodal, conjuntos de dados médicos