Pablo Messina obtiene su doctorado en Ciencias de la Ingeniería exponiendo trabajos científicos que aportan principios metodológicos hacia reportes automáticos más confiables e interpretables en el área de la salud
El pasado 13 de octubre, Pablo Messina defendió su tesis doctoral titulada “Automatic Generation of Radiological Reports Using a Visual Question Answering Approach” y obtuvo el grado de Doctor en Ciencias de la Ingeniería de la Escuela de Ingeniería UC. Su investigación camino hacia el doctorado fue guiada Álvaro Soto y Denis Parra, ambos académicos del Departamento de Ciencia de la Computación, donde se propone abordar la generación automática de informes radiológicos como la respuesta a preguntas clínicas sobre hallazgos y anatomía. El objetivo es que los informes generados sean más confiables, interpretables y estén anclados en la evidencia visual de la imagen. El trabajo se articuló en tres publicaciones centrales: El comité estuvo integrado por Hans Löbel, Rodrigo Salas, Cecilia Besa, René Vidal y Sergio Gutiérrez. La investigación contó con el apoyo de ANID, iHEALTH y CENIA. Es un honor poder decir: ¡Felicitaciones, Dr. Messina! Título: “CURE: Curriculum-guided Multi-task Training for Reliable Anatomy Grounded Report Generation” Resumen: Los reportes radiológicos son esenciales para el diagnóstico médico, pero su redacción demanda tiempo de especialistas escasos, generando demoras en la atención de salud. Aunque la inteligencia artificial busca apoyar este proceso a partir de radiografías de tórax, los modelos actuales aún cometen errores clínicos, alucinan hallazgos y carecen de un respaldo visual preciso en la imagen. Inspirada conceptualmente en el paradigma de Visual Question Answering, esta tesis doctoral aborda estos desafíos al descomponer la generación de reportes radiológicos en hechos clínicos y preguntas anatómicas concretas, vinculando cada hallazgo con su región anatómica correspondiente. La tesis se articula en tres publicaciones científicas independientes: primero, una revisión crítica sobre los modelos, explicabilidad y métricas del área; segundo, un nuevo método para representar y evaluar afirmaciones médicas con mayor fidelidad clínica; y tercero, un esquema de entrenamiento basado en curriculum learning que integra visual grounding y disminuye las alucinaciones. En conjunto, el trabajo aporta principios metodológicos hacia reportes automáticos más confiables e interpretables. Como trabajo futuro, se proyecta mejorar e integrar estos módulos en un sistema unificado y evaluar su impacto en entornos clínicos reales. Paper: https://arxiv.org/abs/2601.15408 La defensa doctoral quedó disponible en el canal de Youtube, en el siguiente enlace: