Pablo Messina defendió con éxito su tesis doctoral sobre informes radiológicos generados con IA más confiables
El investigador obtuvo el grado de Doctor en Ciencias de la Ingeniería de la Pontificia Universidad Católica de Chile con una tesis que propone generar informes de radiografías de tórax respondiendo preguntas clínicas concretas sobre la imagen, en lugar de escribir texto libre. Su trabajo culminó con una presentación oral en CVPR 2026, la conferencia más importante del mundo en visión por computador.
La radiografía de tórax es el estudio de imagen más solicitado en la práctica clínica, y cada una requiere un informe que orienta las decisiones médicas. “El informe es el puente entre la imagen y la decisión clínica”, explica Messina. “Pero escribirlo requiere un especialista con años de formación y tiempo para cada examen, y en hospitales con mucha demanda los exámenes se acumulan más rápido de lo que se pueden informar”.
La inteligencia artificial puede ayudar, pero los modelos actuales producen textos que suenan correctos y aun así omiten hallazgos, confunden negaciones o inventan anomalías. Además, rara vez muestran en qué parte de la imagen se basan. La tesis de Messina aborda estos problemas dividiendo el informe en preguntas clínicas concretas. Algunas se responden con sí o no, como “¿hay derrame pleural?”. Otras piden ubicar y describir una zona anatómica, como la clavícula derecha. “Si el informe se arma a partir de respuestas a preguntas concretas, cada afirmación se puede verificar por separado y queda ligada a una zona de la imagen. Así, si hay un error, se ve dónde está”, señala.
Este enfoque guió seis años de investigación y fue el eje de la defensa que Pablo Messina Gallardo rindió y aprobó el martes 13 de octubre en el Campus San Joaquín UC. La tesis, titulada “Automatic Generation of Radiological Reports Using a Visual Question Answering Approach”, fue dirigida por los profesores Álvaro Soto y Denis Parra, este último investigador de iHEALTH. La comisión estuvo integrada por Hans Löbel y la radióloga Cecilia Besa (UC), Rodrigo Salas (Universidad de Valparaíso) y René Vidal (University of Pennsylvania), y fue presidida por Sergio Gutiérrez (UC).
Para Parra, el valor del enfoque es claro: “El sistema genera el reporte, pero además es capaz de decirte en qué parte de la imagen miró para hacerlo. Eso da más seguridad, más confiabilidad y más interpretabilidad”.
La tesis se organiza en tres capítulos, cada uno basado en una publicación. El primero, una revisión sistemática de 40 trabajos publicada en ACM Computing Surveys (2022), mostró que la mayoría de los sistemas se evaluaba solo con métricas que cuentan palabras en común entre dos textos, sin medir si el informe era clínicamente correcto. El survey contó con la coautoría de Claudia Prieto, Marcelo Andía, Sergio Uribe, Cristian Tejos y Cecilia Besa, investigadores e investigadoras de iHEALTH.
“No existían buenas métricas para saber si un reporte generado por IA era bueno o no”, explica Parra. Por eso, el segundo capítulo, presentado en Findings of ACL 2024, propone representar los informes como hechos clínicos que se extraen y comparan uno a uno. De ahí nace CXRFEScore, una métrica abierta que distingue cuándo dos frases dicen lo mismo y cuándo se contradicen. El tercer capítulo da el paso a la imagen con CURE, un método de entrenamiento que ancla cada respuesta en una zona de la radiografía y que fue seleccionado para presentación oral en CVPR 2026. De los más de 16.000 trabajos enviados este año, solo 141 obtuvieron esa distinción, menos del 1 %.
Enseñarle a la IA cómo se ve lo sano
CURE parte de un diagnóstico: las bases de datos usadas para entrenar estos modelos solo marcan en la imagen las zonas con alguna anormalidad. “Entonces el modelo aprende, sin querer, que ‘señalar algo’ equivale a ‘encontrar algo malo’”, explica Messina. Por ejemplo, un modelo de referencia de Microsoft describía clavículas sanas como fracturadas.
La solución combinó dos estrategias: entrenar al modelo para ubicar y describir regiones anatómicas, estén sanas o enfermas, y aplicar un plan de entrenamiento que identifica periódicamente dónde se equivoca más y lo hace practicar en eso. Así, la tasa promedio de hallazgos inventados bajó de 26,5 % a 8,8 %. En las clavículas, la caída fue de cerca de un 60 % a un 1 %.
Fiel a una lógica de ciencia abierta, Messina liberó CXRFEScore como una herramienta que se instala con un solo comando (pypi.org/project/cxrfescore). “Creo que es una buena práctica que la investigación no se quede en el paper, sino que termine en un producto que cualquiera pueda descargar y probar en minutos”, afirma.
También destaca el trabajo interdisciplinario: “Este es un problema que no se resuelve solo desde la computación. En iHEALTH tuve la suerte de trabajar con la radióloga Cecilia Besa, quien me ayudó a entender qué necesita realmente un radiólogo de un informe”. La tesis se nutrió además del apoyo de CENIA y de colaboraciones internacionales. Entre ellas destacan una estadía con René Vidal en Johns Hopkins, que continuó en la Universidad de Pensilvania, y una pasantía remota en el laboratorio de Bernard Ghanem en KAUST (Arabia Saudita), donde nació CURE.
“Con su trabajo en CENIA y en iHEALTH, Pablo pudo mostrar que se puede tener una repercusión muy alta a nivel mundial”, afirma Parra.
Ahora, Messina comenzará un postdoctorado en la Universidad de Pensilvania junto a René Vidal, quien tiene un nombramiento conjunto en Radiología e Ingeniería Eléctrica y de Sistemas. Allí seguirá trabajando en inteligencia artificial confiable para imágenes médicas y explorará nuevos desafíos que combinan información cerebral con video.
