یک چارچوب نوین مبتنی بر هوش مصنوعی به نام INFORM-CT نحوه مدیریت یافته‌های جانبی توسط رادیولوژیست‌ها را متحول کرده است. این سیستم که توسط پژوهشگران توسعه یافته، از مدل‌های زبانی بزرگ و مدل‌های بینایی-زبانی در یک رویکرد «عاملی برنامه‌ریزی-اجرا» بهره می‌برد تا شناسایی، طبقه‌بندی و گزارش‌دهی یافته‌های جانبی را خودکار کند؛ یافته‌هایی که در بازبینی دستی ممکن است نادیده گرفته شوند.
یافته‌های جانبی در سی‌تی اسکن‌ها شایع هستند اما می‌توانند پیامدهای بالینی مهمی داشته باشند. اگرچه اغلب خوش‌خیم هستند، این یافته‌ها مستلزم مستندسازی و پیگیری مناسب مطابق با راهنماهای پزشکی هستند. بازرسی دستی سنتی توسط رادیولوژیست‌ها زمان‌بر بوده و تحت تأثیر تفاوت‌های فردی قرار دارد که می‌تواند منجر به گزارش‌دهی ناهمگون شود.
چارچوب INFORM-CT این چالش‌ها را از طریق معماری پیچیده برنامه‌ریز-اجراکننده حل می‌کند. بخش برنامه‌ریز با استفاده از یک مدل زبانی بزرگ، اسکریپت‌های پایتون را با بهره‌گیری از توابع پایه از پیش تعریف‌شده، متناسب با راهنماهای پزشکی اندام‌های شکمی تولید می‌کند. سپس بخش اجراکننده این اسکریپت‌ها را اجرا کرده و با استفاده از مدل‌های بینایی-زبانی، مدل‌های تقسیم‌بندی و زیربرنامه‌های پردازش تصویر، بررسی‌ها و شناسایی‌های لازم را انجام می‌دهد.
نتایج تجربی روی یک معیار سی‌تی اسکن شکمی که سه اندام را پوشش می‌دهد نشان داد که این رویکرد کاملاً خودکار و سرتاسری، هم از نظر دقت و هم از نظر کارایی از روش‌های موجود مبتنی بر مدل بینایی-زبانی بهتر عمل می‌کند. با خودکارسازی فرآیند مدیریت یافته‌های جانبی، INFORM-CT وعده کاهش بار کاری رادیولوژیست‌ها را می‌دهد و در عین حال انسجام و کامل بودن گزارش‌ها را بهبود می‌بخشد.
این پژوهش گامی بلند در به‌کارگیری هوش مصنوعی در گردش‌کار رادیولوژی بالینی محسوب می‌شود و پتانسیل مراقبت جامع‌تر از بیماران را از طریق شناسایی نظام‌مند یافته‌هایی که ممکن است در محیط‌های بالینی پرتراکم از قلم بیفتند، فراهم می‌کند.
گفتگو