Evaluación del Potencial de LLM (ChatGPT-4) como Métrica Objetiva para la Calidad de Imagen en CT de Mama
-
Callejas Cortés, Maritza [1] ; Ayala Iturbe, Irving Orlando ; Méndez-González, María Magdalena [1] ; Cruz Bastida, Juan Pablo [1]
-
[1] ESFM - IPN
-
- Localización: SahuarUS: Revista Electrónica de Matemáticas, ISSN-e 2448-5365, Vol. 9, Nº. 1, 2025 (Ejemplar dedicado a: Treceavo Número), págs. 34-41
- Idioma: español
- DOI: 10.36788/sah.v9i1.160
- Enlaces
-
Resumen
El cáncer de mama es una de las principales causas de mortalidad en mujeres a nivel mundial, lo que resalta la importancia de contar con imágenes médicas de calidad para mejorar su diagnóstico. Este estudio evalúa el uso de modelos de lenguaje grande (LLM), específicamente ChatGPT-4 para caracterizar la calidad diagnóstica de imágenes de tomografía computarizada de mama (bCT). Se diseñó un maniquí numérico que simula un corte transversal de la mama, a partir del cual se generaron 100 imágenes con variaciones en calidad de imagen. Se realizó una prueba de observador comparando el desempeño de ChatGPT-4 con seis lectores con conocimientos de Física Médica, calificando aspectos como contraste, nitidez, ruido y artefactos mediante una escala de Likert. Aunque el LLM mostró un desempeño limitado frente al observador de referencia, alcanzó concordancias ligeras cuando se comparó con observadores menos experimentados. Estos resultados sugieren que, con un protocolo de entrenamiento más robusto, los LLM podrían aproximarse al observador humano en tareas de caracterización de calidad de diagnóstica.
-
Referencias bibliográficas
- "nu:view - AB-CT - Advanced Breast-CT," https://ab-ct.com/nuview/, 2024.
- "OpenAI," https://openai.com, 2024.
- American Cancer Society, "Detección temprana y diagnóstico del cáncer de seno," https://www.cancer.org/es/cancer/tipos/cancer-de-seno/pruebas-de-deteccion-y-deteccion-temprana-del-cancer-de-seno.html,...
- H. H. Barrett and K. J. Myers, Foundations of Image Science. Wiley-Interscience, 2003.
- N. F. Boyd, H. Guo, L. J. Martin, L. Sun, J. Stone, E. Fishell, and M. J. Yaffe, "Mammographic density and the risk and detection of breast...
- L. Feldkamp, L. Davis, and J. Kress, "Practical cone-beam algorithm," Journal of the Optical Society of America A, vol. 1, no. 6,...
- J. H. Hubbell and S. M. Seltzer, "Table 3 of X-Ray Mass Attenuation Coefficients and Mass Energy-Absorption Coefficients (version 1.4),"...
- Instituto Nacional de Estadística y Geografía (INEGI), "A propósito del Día Internacional de la Lucha contra el Cáncer de Mama," https://www.inegi.org.mx/contenidos/saladeprensa/aproposito/2024/EAP...
- Instituto Nacional del Cáncer, "Cáncer de mama," https://www.cancer.gov/espanol/publicaciones/diccionarios/diccionario-cancer/def/cancer-de-mama,...
- T. E. Komolafe, C. Zhang, O. A. Olagbaju, G. Yuan, Q. Du, M. Li, J. Zheng, and X. Yang, "Comparison of diagnostic test accuracy of cone-beam...
- J. Landis and G. Koch, "The measurement of observer agreement for categorical data," Biometrics, vol. 33, no. 1, pp. 159-174, 1977....
- J. O'Connell and M. Bazalova-Carter, "fastCAT: Fast cone beam CT (CBCT) simulation," Medical Physics, vol. 48, no. 8, pp. 4448-4458,...
- S. Park, J. Goo, and C. Jo, "Receiver operating characteristic (ROC) curve: practical review for radiologists," Korean Journal of...
- E. Sidky and X. Pan, "Image reconstruction in circular cone-beam computed tomography by constrained, total-variation minimization,"...
- World Health Organization (WHO), "Breast cancer - key facts," https://www.who.int/news-room/fact-sheets/detail/breast-cancer, 2024.
