IA mejora el diagnóstico de fracturas de cadera mediante rayos X
Por el equipo editorial de MedImaging en español Actualizado el 10 Aug 2020 |
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
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
Últimas Radiografía noticias
- La inteligencia artificial podría impulsar la adopción clínica de la radiografía digital dinámica de tórax
- Mamografía 3D reduce casi a la mitad la incidencia del cáncer de mama de intervalo
- Un modelo de IA predice el riesgo de cáncer de mama a 5 años a partir de mamografías
- Aprendizaje profundo detecta fracturas en imágenes de rayos X con una precisión del 99%
- Sistema directo de imágenes de rayos X médicos basado en IA es un cambio de paradigma con respecto a radiografías digitales y TC convencionales
- Solución de IA para rayos X de tórax identifica, categoriza y resalta automáticamente áreas sospechosas
- IA diagnostica fracturas de muñeca tan bien como radiólogos
- Mamografía anual a partir de los 40 reduce mortalidad por cáncer de mama en 42 %
- GPS humano 3D impulsado por luz allana el camino para cirugía mínimamente invasiva sin radiación
- Nueva tecnología de IA podría revolucionar detección del cáncer en senos densos
- Solución de IA proporciona a radiólogos un "segundo par" de ojos para detectar cánceres de mama
- IA ayuda a radiólogos generales a lograr un rendimiento de nivel de especialista en interpretación de mamografías
- Novedosa técnica de imágenes podría transformar detección del cáncer de mama
- Programa informático combina IA y tecnología de imágenes térmicas para detección temprana de cáncer de mama
- IA supera a lectores humanos en detección de nódulos pulmonares en rayos X
- IA mejora interpretación de radiografías de tórax relacionadas con emergencias por profesionales no radiólogos