Un sistema nuevo de IA da prioridad a los exámenes de rayos-X del tórax con hallazgos críticos
Por el equipo editorial de MedImaging en español Actualizado el 11 Feb 2019 |
Imagen: Ejemplos de radiografías con prioridad correcta e incorrecta. (a) La radiografía fue informada mostrando un derrame pleural derecho grande (flecha). Esto fue correctamente priorizado como urgente. (b) Se notificó que la radiografía muestra “lucencia en el vértice izquierdo sospechoso de neumotórax”. Esto se priorizó como normal. En revisión por tres radiólogos independientes, la radiografía se consideró unánimemente normal. (c) Una radiografía se informó mostrando una consolidación proyectada detrás del corazón (flecha). El sistema de inteligencia artificial pasó por alto el hallazgo y el estudio se priorizó incorrectamente como normal (Fotografía cortesía de la RSNA).
Un equipo de investigadores del Reino Unido ha capacitado a un sistema de inteligencia artificial (IA) para interpretar y priorizar las radiografías de tórax anormales con hallazgos críticos, creando así el potencial para reducir la acumulación de exámenes y brindar atención médica urgente a los pacientes con mayor rapidez.
A nivel mundial, las radiografías de tórax representan el 40% de todas las imágenes de diagnóstico y la cantidad de exámenes puede generar importantes atrasos en los centros de atención médica. El aprendizaje profundo (AP), un tipo de IA que puede ser capacitada para reconocer patrones sutiles en imágenes médicas, se considera un medio automático para reducir esta acumulación e identificar exámenes que merecen atención inmediata, especialmente en sistemas de atención médica financiados con fondos públicos.
En su estudio, los investigadores utilizaron 470.388 radiografías de tórax en adultos para desarrollar un sistema de IA que podría identificar hallazgos clave. Los informes radiológicos fueron preprocesados utilizando Procesamiento de Lenguaje Natural (NLP, por sus siglas en inglés), un algoritmo importante del sistema de IA que extrae etiquetas de texto escrito. Para cada radiografía, el sistema interno de los investigadores requirió una lista de etiquetas que indicaban qué anomalías específicas eran visibles en la imagen.
El NLP analizó el informe radiológico para priorizar cada imagen como crítica, urgente, no urgente o normal. Luego, se entrenó un sistema de inteligencia artificial para visión computacional utilizando imágenes de rayos X etiquetadas para predecir la prioridad clínica solo a partir de las apariencias. Los investigadores probaron el desempeño del sistema para la priorización en una simulación utilizando un conjunto independiente de 15.887 imágenes. El sistema de IA distingue las radiografías de tórax normales con alta exactitud. Las simulaciones mostraron que los hallazgos críticos recibieron la opinión de un radiólogo experto en 2,7 días, en promedio, con el enfoque de IA, significativamente más rápido que el promedio de 11,2 días para la práctica real.
“Los resultados iniciales reportados aquí son emocionantes, ya que demuestran que un sistema de inteligencia artificial puede ser entrenado exitosamente usando una gran base de datos radiológicos adquiridos de forma rutinaria”, dijo el coautor del estudio, Giovanni Montana, PhD., anteriormente del King's College de Londres en Londres y actualmente en la Universidad de Warwick en Coventry, Inglaterra. “Con una mayor validación clínica, se espera que esta tecnología reduzca la carga de trabajo de un radiólogo de manera significativa al detectar todos los exámenes normales, de modo que se pueda dedicar más tiempo a aquellos que requieren más atención”.
Enlace relacionado:
A nivel mundial, las radiografías de tórax representan el 40% de todas las imágenes de diagnóstico y la cantidad de exámenes puede generar importantes atrasos en los centros de atención médica. El aprendizaje profundo (AP), un tipo de IA que puede ser capacitada para reconocer patrones sutiles en imágenes médicas, se considera un medio automático para reducir esta acumulación e identificar exámenes que merecen atención inmediata, especialmente en sistemas de atención médica financiados con fondos públicos.
En su estudio, los investigadores utilizaron 470.388 radiografías de tórax en adultos para desarrollar un sistema de IA que podría identificar hallazgos clave. Los informes radiológicos fueron preprocesados utilizando Procesamiento de Lenguaje Natural (NLP, por sus siglas en inglés), un algoritmo importante del sistema de IA que extrae etiquetas de texto escrito. Para cada radiografía, el sistema interno de los investigadores requirió una lista de etiquetas que indicaban qué anomalías específicas eran visibles en la imagen.
El NLP analizó el informe radiológico para priorizar cada imagen como crítica, urgente, no urgente o normal. Luego, se entrenó un sistema de inteligencia artificial para visión computacional utilizando imágenes de rayos X etiquetadas para predecir la prioridad clínica solo a partir de las apariencias. Los investigadores probaron el desempeño del sistema para la priorización en una simulación utilizando un conjunto independiente de 15.887 imágenes. El sistema de IA distingue las radiografías de tórax normales con alta exactitud. Las simulaciones mostraron que los hallazgos críticos recibieron la opinión de un radiólogo experto en 2,7 días, en promedio, con el enfoque de IA, significativamente más rápido que el promedio de 11,2 días para la práctica real.
“Los resultados iniciales reportados aquí son emocionantes, ya que demuestran que un sistema de inteligencia artificial puede ser entrenado exitosamente usando una gran base de datos radiológicos adquiridos de forma rutinaria”, dijo el coautor del estudio, Giovanni Montana, PhD., anteriormente del King's College de Londres en Londres y actualmente en la Universidad de Warwick en Coventry, Inglaterra. “Con una mayor validación clínica, se espera que esta tecnología reduzca la carga de trabajo de un radiólogo de manera significativa al detectar todos los exámenes normales, de modo que se pueda dedicar más tiempo a aquellos que requieren más atención”.
Enlace relacionado:
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