IA rivaliza con los radiólogos en la detección de la hemorragia intracraneal
Por el equipo editorial de MedImaging en español Actualizado el 11 Nov 2019 |
Imagen: Examen cerebral típico que un radiólogo ve (I), y una hemorragia subaracnoidea resaltada por PatchFCN (D) (Fotografía cortesía de la UCSF).
Un estudio nuevo muestra que las redes neuronales convolucionales de inteligencia artificial (IA) (RNC) pueden alcanzar niveles de exactitud comparables a los de radiólogos altamente capacitados.
Desarrollado por investigadores de la Universidad de California en San Francisco (UCSF; EUA) y la Universidad de California Berkeley (UCB; EUA), la red totalmente convolucional basada en parches (PatchFCN) funciona dividiendo una tomografía computarizada (TC) en parches más pequeños para mejorar la tasa de detección de las hemorragias intracraneales agudas (HIC) en las tomografías computarizadas de la cabeza. Según los investigadores, la segmentación ofrece muchas ventajas, incluida una mejor interpretación y métricas cuantificables para el pronóstico de la enfermedad. En términos simples, la hemorragia se define así como “cosas” (por ejemplo, agua) en lugar de “cosas” (por ejemplo, un automóvil), debido a su naturaleza fluida.
Desarrollado utilizando 4.396 tomografías computarizadas de la cabeza como modelo de aprendizaje, se comparó el desempeño de PatchFCN con el de cuatro radiólogos certificados por la Junta Americana de Radiología (ABR, por sus siglas en inglés) en un conjunto de pruebas de 200 TC de cabeza seleccionadas al azar. El modelo demostró una exactitud promedio del 99% para detectar hemorragias, la exactitud de clasificación más alta hasta la fecha. Además, PatchFCN proporcionó un rastreo detallado de cada hemorragia, destacando las anomalías directamente en la propia TC, ayudando a los neurocirujanos a confirmar visualmente las ubicaciones de las hemorragias y a juzgar la necesidad y el enfoque para la intervención quirúrgica. El estudio fue publicado el 21 de octubre de 2019 en la revista PNAS.
“Utilizando un enfoque sólido de supervisión a nivel de píxeles y un conjunto de datos de entrenamiento relativamente pequeño, demostramos una red de extremo a extremo que realiza la clasificación y segmentación conjunta. Demuestra la exactitud de clasificación más alta hasta la fecha, en comparación con otros enfoques de aprendizaje profundo, y también localiza simultáneamente estas anormalidades”, concluyó el autor principal, Weicheng Kuo, PhD, de la UCB. “Demostramos que identifica muchas anormalidades pasadas por alto por los expertos. Además, demostramos resultados prometedores para la segmentación de hemorragias multiclase, al tiempo que preservamos la detección exacta a nivel de examen”.
El aprendizaje profundo es parte de una familia más amplia de métodos de aprendizaje automático de IA basados en representaciones de datos de aprendizaje, en oposición a los algoritmos específicos de la tarea. Involucra algoritmos RNC que usan 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 California en San Francisco
Universidad de California Berkeley
Desarrollado por investigadores de la Universidad de California en San Francisco (UCSF; EUA) y la Universidad de California Berkeley (UCB; EUA), la red totalmente convolucional basada en parches (PatchFCN) funciona dividiendo una tomografía computarizada (TC) en parches más pequeños para mejorar la tasa de detección de las hemorragias intracraneales agudas (HIC) en las tomografías computarizadas de la cabeza. Según los investigadores, la segmentación ofrece muchas ventajas, incluida una mejor interpretación y métricas cuantificables para el pronóstico de la enfermedad. En términos simples, la hemorragia se define así como “cosas” (por ejemplo, agua) en lugar de “cosas” (por ejemplo, un automóvil), debido a su naturaleza fluida.
Desarrollado utilizando 4.396 tomografías computarizadas de la cabeza como modelo de aprendizaje, se comparó el desempeño de PatchFCN con el de cuatro radiólogos certificados por la Junta Americana de Radiología (ABR, por sus siglas en inglés) en un conjunto de pruebas de 200 TC de cabeza seleccionadas al azar. El modelo demostró una exactitud promedio del 99% para detectar hemorragias, la exactitud de clasificación más alta hasta la fecha. Además, PatchFCN proporcionó un rastreo detallado de cada hemorragia, destacando las anomalías directamente en la propia TC, ayudando a los neurocirujanos a confirmar visualmente las ubicaciones de las hemorragias y a juzgar la necesidad y el enfoque para la intervención quirúrgica. El estudio fue publicado el 21 de octubre de 2019 en la revista PNAS.
“Utilizando un enfoque sólido de supervisión a nivel de píxeles y un conjunto de datos de entrenamiento relativamente pequeño, demostramos una red de extremo a extremo que realiza la clasificación y segmentación conjunta. Demuestra la exactitud de clasificación más alta hasta la fecha, en comparación con otros enfoques de aprendizaje profundo, y también localiza simultáneamente estas anormalidades”, concluyó el autor principal, Weicheng Kuo, PhD, de la UCB. “Demostramos que identifica muchas anormalidades pasadas por alto por los expertos. Además, demostramos resultados prometedores para la segmentación de hemorragias multiclase, al tiempo que preservamos la detección exacta a nivel de examen”.
El aprendizaje profundo es parte de una familia más amplia de métodos de aprendizaje automático de IA basados en representaciones de datos de aprendizaje, en oposición a los algoritmos específicos de la tarea. Involucra algoritmos RNC que usan 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 California en San Francisco
Universidad de California Berkeley
Últimas Imaginología General noticias
- Aplicación RA convierte escaneos médicos en hologramas para ayudar en planificación quirúrgica
- Tecnología de imágenes proporciona nuevo enfoque innovador para diagnosticar y tratar cáncer de intestino
- Puntuación de calcio coronario por TC predice ataques cardíacos y accidentes cerebrovasculares
- Modelo de IA detecta 90 % de casos de cáncer linfático a partir de imágenes de PET y TC
- El algoritmo de aprendizaje profundo basado en TC diferencia con precisión las fracturas vertebrales benignas de las malignas
- Tecnología innovadora revoluciona imágenes mamarias
- Sistema de última generación mejora la precisión de procedimientos intervencionistas y diagnóstico guiados por imágenes
- Dispositivo basado en catéter con nuevo enfoque de imágenes cardiovasculares ofrece visión sin precedentes de placas peligrosas
- Modelo de IA dibuja mapas para identificar con precisión tumores y enfermedades en imágenes médicas
- Sistema de TC habilitado por IA proporciona resultados de imágenes más precisos y confiables
- Exámenes de TC tórax de rutina pueden identificar pacientes con riesgo de enfermedad cardiovascular
- Software de planificación quirúrgica preoperatoria de RA hace que la cirugía sea más segura y eficiente
- Biopsia virtual impulsada por IA ayuda a evaluar cáncer de pulmón a partir de exploraciones médicas
- Nuevos materiales imprimibles en 3D para cirugía reconstructiva se pueden monitorear mediante rayos X o TC
- TC con conteo de fotones mejora evaluación de enfermedad arterial coronaria
- Nuevo radiotrazador ilumina exploración PET para detección más temprana de enfermedades