Quan una ecografia pèlvica detecta una massa a l'ovari, els radiòlegs fan servir el sistema O-RADS (Ovarian-Adnexal Reporting and Data System) per classificar-ne el risc de malignitat en categories estandarditzades, una eina pensada per reduir la variabilitat entre professionals. A la pràctica, però, aquesta classificació depèn de com s'interpreta un informe redactat en text lliure, i els intents d'automatitzar-la amb models de llenguatge topen amb un problema conegut: la tendència d'aquests sistemes a «al·lucinar» o a perdre fiabilitat quan han de fer tot el procés de cop, sense manera de verificar cada pas.
Un equip de recerca ha publicat a arXiv un estudi retrospectiu amb 310 dones i 390 masses ovàriques diagnosticades per ecografia, en què compara vuit models de llenguatge amb tres estratègies diferents: deixar que el model classifiqui d'extrem a extrem amb el seu coneixement implícit, donar-li les regles explícites del sistema O-RADS perquè raoni amb elles, o separar el procés en dos passos —primer extreure les dades clíniques rellevants de l'informe, després aplicar-hi les regles de manera determinista. Aquesta darrera arquitectura híbrida, combinada amb el model Gemini 3.6 Flash, és la que ha obtingut els millors resultats: un 99,2% d'encert (387 de 390 casos) i una concordança gairebé perfecta amb la classificació de referència feta per experts (kappa ponderat d'1,00). Per comparar, els informes clínics originals havien encertat el 87,7% dels casos, i les estratègies d'extrem a extrem amb models de llenguatge havien oscil·lat entre el 65,6% i el 95,9%.
La troballa més rellevant no és només la xifra final, sinó el mètode: separar «llegir les dades» d'«aplicar les regles» redueix els errors de classificació i, en particular, corregeix la tendència dels informes originals a sobrevalorar el risc d'algunes masses. És un resultat amb valor pràctic directe per a la pràctica clínica, perquè apunta a una manera de fer servir models de llenguatge en diagnòstic que és alhora més fiable i més fàcil d'auditar pas per pas, en lloc de tractar el model com una caixa negra que dona una resposta final sense justificar-la.
Es tracta, tanmateix, d'un estudi retrospectiu, fet amb dades ja existents i encara sense revisió per parells, i l'article no especifica a quin centre o país s'ha dut a terme la recollida de casos. Caldrà validar el mètode de manera prospectiva, amb pacients noves i en diferents entorns clínics, abans que un sistema d'aquest tipus es pugui considerar una eina fiable per acompanyar decisions mèdiques reals sobre com i quan intervenir davant d'una massa ovàrica.