Un algoritmo nuevo de inteligencia artificial aumenta la detección de pólipos en los procedimientos de colonoscopia
Por el equipo editorial de MedImaging en español Actualizado el 05 Dec 2018 |
Imagen: El algoritmo Wision AI resalta los pólipos en el monitor, mejorando la detección (abajo) (Fotografía cortesía de Shanghai Wision AI).
Los investigadores de Shanghai Wision AI Co., Ltd. (Shanghai, China), un desarrollador de algoritmos y sistemas de diagnóstico asistidos por computadora para mejorar la exactitud y efectividad de las imágenes de diagnóstico, han anunciado los resultados de un estudio que valida un algoritmo nuevo de aprendizaje automático para mejorar la detección de pólipos adenomatosos durante la colonoscopia. El algoritmo de IA se basa en la misma arquitectura de red utilizada para desarrollar automóviles de conducción automática y está diseñado para permitir la “conducción automática” en los procedimientos de colonoscopia.
El algoritmo Wision AI se validó en conjuntos de datos grandes, desarrollados prospectivamente, diferentes del conjunto de datos de entrenamiento o recopilados independientemente y que fueron varias veces más grandes que el conjunto de datos de entrenamiento. Este enfoque de validación más riguroso utilizado por Wision AI pretende aumentar el desempeño del algoritmo en entornos clínicos del mundo real.
El algoritmo se desarrolló utilizando 5.545 imágenes (65,5% conteniendo pólipos y 34,5% sin pólipos) a partir de los informes de colonoscopia de 1.290 pacientes. Los endoscopistas experimentados anotaron la presencia de pólipos en todas las imágenes utilizadas en el conjunto de datos de desarrollo, y el algoritmo se validó en cuatro conjuntos de datos independientes: dos conjuntos para análisis de imágenes (A y B) y dos conjuntos para análisis de video (C y D). De acuerdo con los hallazgos clave del estudio, la validación en el conjunto de datos A, que incluyó 27.113 imágenes de pacientes a quienes les practicaron una colonoscopia en el Centro de Endoscopia del Hospital Provincial del Pueblo de Sichuan, encontró una sensibilidad por imagen del 94,4% y una especificidad por imagen del 95,9%. La sensibilidad por imagen en un subconjunto de 1.280 imágenes con pólipos que generalmente son difíciles de detectar, fue de 91,7%.
La validación en el conjunto de datos B, basada en una base de datos pública de 612 imágenes de colonoscopia adquiridas en el Hospital Clinic de Barcelona, encontró una sensibilidad por imagen del 88,2%. El uso de este conjunto de datos permitió la generalización de los datos de validación a una población de pacientes más amplia. La validación en el conjunto de datos C que incluyó una serie de videos de colonoscopia con 138 pólipos, encontró una sensibilidad por imagen del 91,6% entre 60.914 marcos de video y una sensibilidad por pólipo del 100%. La validación en el conjunto de datos D, que contenía 54 videos de colonoscopia sin pólipos, encontró una especificidad por imagen del 95,4% entre 1.072.483 marcos. El tiempo total de procesamiento para cada marco de imagen fue de 76,8 milisegundos, incluido el preprocesamiento y la visualización de los tiempos antes y después de la ejecución del algoritmo de aprendizaje profundo. La implementación en un sistema en tiempo real dio como resultado una tasa de procesamiento de 30 marcos por segundo con las GPU Nvidia Titan X.
Sobre la base de estos hallazgos, los investigadores concluyeron que el sistema automático de detección de pólipos, basado en el aprendizaje profundo, tiene un alto desempeño general tanto en imágenes de colonoscopia como en videos en tiempo real.
“Los resultados de este estudio demuestran el poder de nuestro enfoque riguroso para desarrollar algoritmos de aprendizaje profundo, que utilizan conjuntos de datos distintos para la capacitación y validación, y da como resultado altos niveles de especificidad y sensibilidad que tienen el potencial de mejorar los métodos de cribado de diagnóstico que se conocen por reducir el riesgo de enfermedad, mejorar los resultados de salud y salvar vidas”, dijo JingJia Liu, director ejecutivo de Wision AI.
Enlace relacionado:
Shanghai Wision AI Co., Ltd.
El algoritmo Wision AI se validó en conjuntos de datos grandes, desarrollados prospectivamente, diferentes del conjunto de datos de entrenamiento o recopilados independientemente y que fueron varias veces más grandes que el conjunto de datos de entrenamiento. Este enfoque de validación más riguroso utilizado por Wision AI pretende aumentar el desempeño del algoritmo en entornos clínicos del mundo real.
El algoritmo se desarrolló utilizando 5.545 imágenes (65,5% conteniendo pólipos y 34,5% sin pólipos) a partir de los informes de colonoscopia de 1.290 pacientes. Los endoscopistas experimentados anotaron la presencia de pólipos en todas las imágenes utilizadas en el conjunto de datos de desarrollo, y el algoritmo se validó en cuatro conjuntos de datos independientes: dos conjuntos para análisis de imágenes (A y B) y dos conjuntos para análisis de video (C y D). De acuerdo con los hallazgos clave del estudio, la validación en el conjunto de datos A, que incluyó 27.113 imágenes de pacientes a quienes les practicaron una colonoscopia en el Centro de Endoscopia del Hospital Provincial del Pueblo de Sichuan, encontró una sensibilidad por imagen del 94,4% y una especificidad por imagen del 95,9%. La sensibilidad por imagen en un subconjunto de 1.280 imágenes con pólipos que generalmente son difíciles de detectar, fue de 91,7%.
La validación en el conjunto de datos B, basada en una base de datos pública de 612 imágenes de colonoscopia adquiridas en el Hospital Clinic de Barcelona, encontró una sensibilidad por imagen del 88,2%. El uso de este conjunto de datos permitió la generalización de los datos de validación a una población de pacientes más amplia. La validación en el conjunto de datos C que incluyó una serie de videos de colonoscopia con 138 pólipos, encontró una sensibilidad por imagen del 91,6% entre 60.914 marcos de video y una sensibilidad por pólipo del 100%. La validación en el conjunto de datos D, que contenía 54 videos de colonoscopia sin pólipos, encontró una especificidad por imagen del 95,4% entre 1.072.483 marcos. El tiempo total de procesamiento para cada marco de imagen fue de 76,8 milisegundos, incluido el preprocesamiento y la visualización de los tiempos antes y después de la ejecución del algoritmo de aprendizaje profundo. La implementación en un sistema en tiempo real dio como resultado una tasa de procesamiento de 30 marcos por segundo con las GPU Nvidia Titan X.
Sobre la base de estos hallazgos, los investigadores concluyeron que el sistema automático de detección de pólipos, basado en el aprendizaje profundo, tiene un alto desempeño general tanto en imágenes de colonoscopia como en videos en tiempo real.
“Los resultados de este estudio demuestran el poder de nuestro enfoque riguroso para desarrollar algoritmos de aprendizaje profundo, que utilizan conjuntos de datos distintos para la capacitación y validación, y da como resultado altos niveles de especificidad y sensibilidad que tienen el potencial de mejorar los métodos de cribado de diagnóstico que se conocen por reducir el riesgo de enfermedad, mejorar los resultados de salud y salvar vidas”, dijo JingJia Liu, director ejecutivo de Wision AI.
Enlace relacionado:
Shanghai Wision AI Co., Ltd.
Últimas Industria noticias
- Samsung y Bracco firman nuevo acuerdo de tecnología de ultrasonido de diagnóstico
- IBA adquiere Radcal para ampliar oferta de garantía de calidad de imágenes médicas
- Sociedades internacionales sugieren consideraciones clave para herramientas IA para radiología
- Dispositivos de rayos X de Samsung funcionarán con soluciones de IA de Lunit para exámenes avanzados de tórax
- Canon Medical y Olympus colaboran en sistemas de ultrasonido endoscópico
- GE HealthCare adquiere empresa de análisis de imágenes por IA MIM Software
- Primeros criterios internacionales establecen las bases para mejorar diagnóstico por imágenes de tumores cerebrales
- RSNA revela los 10 estudios de radiología más citados de 2023
- Exposiciones técnicas RSNA 2023 ofrecerá innovaciones en IA, impresión 3D y más
- Según un estudio, productos de imágenes médicas por IA se quintuplicarán para 2035
- Exposiciones técnicas de RSNA 2023 destacan las últimas innovaciones en imágenes médicas
- Tecnologías impulsadas por IA ayudan a interpretar rediografías e imágenes de resonancias magnéticas para mejorar diagnóstico de enfermedades
- Hologic y Bayer se asocian para mejorar imágenes de mamografía
- Mercado mundial de arcos en C fijos y móviles impulsado por aumento de procedimientos quirúrgicos
- Mercado mundial de ultrasonido mejorado por contraste impulsado por demanda de detección temprana de enfermedades crónicas
- Uso de imágenes avanzadas aumenta en departamentos de emergencia