IA mejora el diagnóstico de fracturas de cadera mediante rayos X

El uso de algoritmos de inteligencia artificial (IA) para analizar imágenes de rayos X mejora la identificación de las fracturas de cadera por parte del radiólogo, según un estudio nuevo.

Desarrollada por investigadores de la Universidad de Teikyo (Tokio, Japón), la Universidad de Salud Ocupacional y Ambiental (Fukuoka, Japón) y otras instituciones, la red neuronal convolucional profunda (CNN) para detectar fracturas de cadera a partir de rayos X, utilizó la tomografía computarizada (TC) y la resonancia magnética (MRI) como estándar de oro para la comparación. El estudio involucró a 327 pacientes a quienes les realizaron una TC o RM pélvica y fueron diagnosticadas con fracturas femorales proximales; el algoritmo de IA se entrenó con 302 de estos exámenes.

Los 25 casos restantes y otros 25 pacientes control se utilizaron luego para probar el DCNN, y siete lectores participaron en este estudio; una escala de calificación continua registró el nivel de confianza de cada observador. Posteriormente, cada observador interpretó las radiografías con las salidas de la CNN y las calificó nuevamente. A continuación, se utilizó el área bajo la curva (AUC) para comparar la detección de fracturas. Los resultados mostraron que el AUC promedio de los lectores fue de 0,832; el AUC de la DCNN solo fue 0,905; y el AUC promedio de los lectores con salidas de CNN fue 0,876. El estudio fue publicado el 23 de julio de 2020 en la revista European Journal of Radiology.

“Los resultados del estudio muestran que la IA ofrece una serie de beneficios para este escenario clínico en particular. Las CNN profundas puede tener el potencial de identificar características abstractas adicionales que no han sido evidentes para el lector humano”, concluyeron el autor principal, Tsubasa Mawatari, PhD, y sus colegas. “La combinación podría mitigar la tarea, a veces desafiante, de detectar fracturas de cadera en los rayos X, aumentar la eficiencia del diagnóstico y ampliar el acceso a la interpretación de imágenes médicas de 'nivel experto'“.

El aprendizaje profundo es parte de una familia más amplia de métodos de aprendizaje automático de IA basados en representaciones de datos de aprendizaje, a diferencia de los algoritmos específicos de tareas. Se trata de algoritmos de redes neurales convolucionales que utilizan una cascada de muchas capas de unidades de procesamiento no lineales para la extracción, conversión y transformación de características, y cada capa sucesiva utiliza la salida de la capa anterior como entrada para formar una representación jerárquica.

Enlace relacionado:
Universidad de Teikyo
Universidad de Salud Ocupacional y Ambiental