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:
- una revisión del estado del arte en ACM Computing Surveys (2022)
- el desarrollo de CXRFEScore, una métrica de código abierto sensible a la corrección clínica de los informes, publicada en Findings of ACL (2024)
- CURE, presentado como oral en CVPR 2026, que reduce en un 67% las alucinaciones de anomalías respecto de MAIRA-2.
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
El martes 13 de octubre, con lluvia y truenos de fondo, defendí mi tesis de doctorado en Ciencias de la Ingeniería en la UC: Automatic Generation of Radiological Reports Using a Visual Question Answering Approach. La idea central es dejar de ver el reporte radiológico como un texto libre que la IA escribe de una vez, y entenderlo como las respuestas a preguntas clínicas concretas sobre la imagen: ¿hay derrame pleural?, ¿qué se ve en la clavícula derecha y dónde está?
Un paso clave es el visual grounding: que el modelo no solo diga qué observa, sino que señale en la radiografía la zona exacta en que se basa cada afirmación, como lo haría un radiólogo al apuntar a la imagen.
Nuestro modelo CURE ubica estas regiones con mayor precisión que modelos de referencia como MAIRA-2, de Microsoft, y al aprender a describir también la anatomía normal, reduce en dos tercios los hallazgos inventados (“alucinaciones”).
La tesis se basa en tres artículos principales, publicados en ACM Computing Surveys, ACL Findings y CVPR, este último como presentación oral. En el camino también colaboré en trabajos publicados en MICCAI y Medical Image Analysis, y en workshops de NeurIPS (2020 y 2022) y de ACL (2024). Dejé abiertos los modelos y una métrica, CXRFEScore, para que otros puedan seguir construyendo sobre ellos.
Agradezco a mis supervisores, Álvaro Soto y Denis Parra, y a los miembros del comité: René Vidal, Hans Löbel, Cecilia Besa, Rodrigo Salas y Sergio Gutiérrez. También agradezco a iHEALTH y CENIA por su apoyo. Ahora me espera un postdoc en la Universidad de Pensilvania (UPenn) junto a René, para seguir trabajando en inteligencia artificial y medicina”, expresó Pablo Messina sobre su cierre de proceso doctoral y proyecciones hacia el futuro.
La defensa doctoral quedó disponible en el canal de Youtube, en el siguiente enlace: