Un algoritmo de IA identifica las radiografías de tórax anormales
Por el equipo editorial de MedImaging en español Actualizado el 09 Oct 2018 |
Imagen: Los algoritmos de IA coinciden con los radiólogos en la detección de patologías en las radiografías de tórax y en las TC (Fotografía cortesía de Qure.ai).
Un estudio de validación clínica confirma que un algoritmo controlado por inteligencia artificial (IA) puede diferenciar entre los exámenes normales y anormales de rayos X con una exactitud sin precedentes.
Investigadores de Columbia Asia Hospitals (Kuala Lumpur, Malasia) y Qure.ai (San Mateo, CA, EUA) capacitaron un sistema de aprendizaje profundo para identificar radiografías anormales utilizando 1,2 millones de exámenes de rayos X y sus correspondientes informes de radiología. Las anomalías específicas de rayos X incluyeron un ángulo costofrénico embotado, calcificación, cardiomegalia, cavidad, consolidación, fibrosis, agrandamiento del hilio, opacidad y derrame pleural, entre otros. El sistema se probó contra un análisis mayoritario de tres radiólogos, basado en un conjunto independiente, retrospectivamente recogido y sin identificación de 2.000 radiografías.
Los resultados mostraron que el sistema de IA de aprendizaje profundo fue altamente exacto en la detección de 15 anomalías en las radiografías de tórax en niveles cercanos a la identificación del radiólogo, con más del 90% de exactitud. El estudio de validación clínica de tórax se une a un estudio clínico previo que confirmó que el algoritmo de aprendizaje profundo, Qure.ai qER, puede identificar hemorragias, fracturas y otros traumas críticos en las tomografías computarizadas (TC) de cabeza, con más del 95% de exactitud. El estudio de tórax se publicó el 18 de julio de 2018 en la revista arXiv.org.
"La radiografía de tórax es una herramienta valiosa de evaluación de la salud y un componente vital de los programas de salud pública en todo el mundo. El enorme volumen producido cada año crea una demanda cada vez mayor para los radiólogos", dijo la coautora del estudio, Shalini Govil, MD, del grupo de radiología de Columbia Asia Hospitals. "Desafortunadamente, numerosas radiografías de tórax que muestran una patología significativa se dejan desatendidas en las pilas de trabajos pendientes debido a la falta de radiólogos disponibles para informarlos. A través de la semiautomatización del proceso de informe, la IA puede reducir significativamente la carga de trabajo de un radiólogo, mejorar la exactitud del informe, reducir el tiempo de respuesta y salvar vidas".
"Este es el conjunto de datos de entrenamiento más grande que se haya realizado hasta la fecha para una IA con rayos X en el tórax. También es el estudio de validación más grande hasta la fecha, medido contra 2.000 exámenes de rayos X, cada uno leído por tres radiólogos", dijo el autor principal, Prashant Warier, director ejecutivo y cofundador de Qure.ai. "Este es un momento emocionante para las tecnologías de aprendizaje profundo en medicina. A medida que estos sistemas aumentan en exactitud, también lo hará la viabilidad de usar el aprendizaje profundo para ampliar el alcance de la interpretación de los exámenes de rayos X del tórax, mejorar la eficiencia de los informes y salvar vidas".
El aprendizaje profundo es parte de una familia más amplia de métodos de aprendizaje automático de IA basados en representaciones de datos, a diferencia de los algoritmos específicos de tareas. Implica algoritmos de redes neuronales que utilizan una cascada de muchas capas de unidades de procesamiento no lineales para la extracción y transformación de características, y cada capa sucesiva utiliza la salida de la capa anterior como entrada, formando una representación jerárquica.
Enlace relacionado:
Columbia Asia Hospitals
Qure.ai
Investigadores de Columbia Asia Hospitals (Kuala Lumpur, Malasia) y Qure.ai (San Mateo, CA, EUA) capacitaron un sistema de aprendizaje profundo para identificar radiografías anormales utilizando 1,2 millones de exámenes de rayos X y sus correspondientes informes de radiología. Las anomalías específicas de rayos X incluyeron un ángulo costofrénico embotado, calcificación, cardiomegalia, cavidad, consolidación, fibrosis, agrandamiento del hilio, opacidad y derrame pleural, entre otros. El sistema se probó contra un análisis mayoritario de tres radiólogos, basado en un conjunto independiente, retrospectivamente recogido y sin identificación de 2.000 radiografías.
Los resultados mostraron que el sistema de IA de aprendizaje profundo fue altamente exacto en la detección de 15 anomalías en las radiografías de tórax en niveles cercanos a la identificación del radiólogo, con más del 90% de exactitud. El estudio de validación clínica de tórax se une a un estudio clínico previo que confirmó que el algoritmo de aprendizaje profundo, Qure.ai qER, puede identificar hemorragias, fracturas y otros traumas críticos en las tomografías computarizadas (TC) de cabeza, con más del 95% de exactitud. El estudio de tórax se publicó el 18 de julio de 2018 en la revista arXiv.org.
"La radiografía de tórax es una herramienta valiosa de evaluación de la salud y un componente vital de los programas de salud pública en todo el mundo. El enorme volumen producido cada año crea una demanda cada vez mayor para los radiólogos", dijo la coautora del estudio, Shalini Govil, MD, del grupo de radiología de Columbia Asia Hospitals. "Desafortunadamente, numerosas radiografías de tórax que muestran una patología significativa se dejan desatendidas en las pilas de trabajos pendientes debido a la falta de radiólogos disponibles para informarlos. A través de la semiautomatización del proceso de informe, la IA puede reducir significativamente la carga de trabajo de un radiólogo, mejorar la exactitud del informe, reducir el tiempo de respuesta y salvar vidas".
"Este es el conjunto de datos de entrenamiento más grande que se haya realizado hasta la fecha para una IA con rayos X en el tórax. También es el estudio de validación más grande hasta la fecha, medido contra 2.000 exámenes de rayos X, cada uno leído por tres radiólogos", dijo el autor principal, Prashant Warier, director ejecutivo y cofundador de Qure.ai. "Este es un momento emocionante para las tecnologías de aprendizaje profundo en medicina. A medida que estos sistemas aumentan en exactitud, también lo hará la viabilidad de usar el aprendizaje profundo para ampliar el alcance de la interpretación de los exámenes de rayos X del tórax, mejorar la eficiencia de los informes y salvar vidas".
El aprendizaje profundo es parte de una familia más amplia de métodos de aprendizaje automático de IA basados en representaciones de datos, a diferencia de los algoritmos específicos de tareas. Implica algoritmos de redes neuronales que utilizan una cascada de muchas capas de unidades de procesamiento no lineales para la extracción y transformación de características, y cada capa sucesiva utiliza la salida de la capa anterior como entrada, formando una representación jerárquica.
Enlace relacionado:
Columbia Asia Hospitals
Qure.ai
Últimas Radiografía noticias
- Nueva tecnología de detección de cáncer de mama podría ofrecer una alternativa superior a la mamografía
- Inteligencia artificial predice con precisión el cáncer de mama años antes del diagnóstico
- Radiografía de tórax con IA detecta nódulos pulmonares tres años antes de los síntomas del cáncer de pulmón
- Modelo de IA identifica fracturas por compresión vertebral en radiografías de tórax
- La mamografía 3D avanzada puede detectar más cánceres de mama
- Herramienta de diagnóstico por rayos X ofrece detección rápida de fracturas pediátricas
- El análisis de radiografías de tórax impulsado por IA muestra resultados prometedores en la práctica clínica
- Algoritmo basado en IA mejora la precisión de los diagnósticos de cáncer de mama
- Técnica innovadora de rayos X captura el corazón humano con un detalle sin precedentes
- Tecnología de vanguardia mejora la clasificación de radiografías de tórax para resultados superiores en los pacientes
- Modelo de inteligencia artificial estima con precisión la función pulmonar utilizando radiografías de tórax
- Arco en C móvil motorizado de alta potencia ofrece imágenes de última generación para procedimientos desafiantes
- Regla de predicción de lesiones reduce la exposición a imágenes radiográficas en niños
- La IA detecta más cánceres de mama con menos falsos positivos
- Solución portátil de imágenes térmicas impulsada por IA podría complementar la mamografía
- Nuevo sistema de imágenes mamarias demuestra ser tan eficaz como la mamografía