.jpg)
El diagnòstic assistit per intel·ligència artificial en radiologia ha experimentat avenços notables, especialment en la classificació automàtica de malalties toràciques a partir de radiografies de tòrax. No obstant això, la presència de múltiples patologies amb característiques visuals superposades representa un repte tècnic significatiu per als sistemes de classificació. Per abordar aquesta complexitat, investigacions recents han proposat enfocaments jeràrquics de classificació multi-etiqueta que aprofiten les relacions taxonòmiques entre les diferents afeccions. Dues tècniques noves basades en pèrdua (loss-based) i en logits (logit-based) integren el coneixement de jerarquia clínica directament en el procés d'optimització o ajustant les probabilitats predites segons la classe pare. Els resultats sobre conjunts de dades massius com CheXpert i NIH mostren millores notables en precisió, AUC i F1, superant entre un 10% i un 24% els mètodes de referència. Aquest tipus d'innovació no només millora el rendiment, sinó que proporciona resultats més interpretables per a la presa de decisions clíniques.
La implementació d'aquests sistemes en entorns reals requereix solucions tecnològiques robustes i personalitzades. Des de Q2BSTUDIO, com a empresa especialitzada en programari a mida, desenvolupem plataformes d'intel·ligència artificial per a empreses que integren models jeràrquics de classificació en fluxos de treball hospitalaris. Els nostres serveis inclouen des de la creació d'aplicacions a mida fins a l'orquestració d'infraestructures en serveis cloud AWS i Azure, garantint escalabilitat i compliment normatiu. A més, combinem agents IA amb eines d'intel·ligència de negoci com Power BI per visualitzar els resultats, i apliquem mesures de ciberseguretat per protegir dades sensibles. Aquest enfocament integral permet que els avenços en classificació multi-etiqueta es tradueixin en solucions operatives i segures, accelerant el diagnòstic i millorant l'atenció al pacient.
