Un sistema nuevo de IA puede diagnosticar y clasificar la hemorragia intracraneal

Investigadores del Hospital General de Massachusetts (Boston, MA, EUA) desarrollaron un sistema de inteligencia artificial (IA) que puede diagnosticar y clasificar hemorragias cerebrales rápidamente, así como proporcionar la base de sus decisiones de un conjunto de datos de imágenes relativamente pequeño. El sistema podría ayudar a los servicios de urgencias de los hospitales a evaluar a los pacientes con síntomas de un accidente cerebrovascular potencialmente mortal, permitiendo una rápida aplicación del tratamiento correcto.

Los investigadores entrenaron el sistema con 904 tomografías computarizadas de la cabeza, cada una de ellas consistiendo en alrededor de 40 imágenes individuales, que fueron etiquetadas por los neurorradiólogos en cuanto a si representaban uno de los cinco subtipos de hemorragia, según la ubicación dentro del cerebro o sin hemorragia. El equipo mejoró la exactitud del sistema de aprendizaje profundo incorporando pasos que imitan la forma en que los radiólogos analizan las imágenes. Estos incluyen factores de ajuste como el contraste y el brillo para revelar diferencias sutiles que no son evidentes de inmediato y el desplazamiento a través de los cortes de tomografía computarizada adyacentes, para determinar si algo que aparece en una imagen refleja un problema real o es un artefacto sin sentido.


Después de que se creó el sistema modelo, los investigadores lo probaron en dos conjuntos separados de tomografías computarizadas: un conjunto retrospectivo tomado antes del desarrollo del sistema, que consiste en 100 exploraciones con hemorragia intracraneal y 100 sin esta condición, y una serie prospectiva de 79 exámenes con y 117 exámenes sin hemorragia intracraneal, tomadas después de creado el modelo. En su análisis del conjunto retrospectivo, el sistema modelo fue tan exacto para la detección y clasificación de las hemorragias intracraneales como lo habían sido los radiólogos que habían revisado las imágenes de los exámenes. En su análisis del conjunto prospectivo, el sistema demostró ser incluso mejor que los lectores humanos no expertos.

Para resolver el problema de la “caja negra” o la incapacidad de los sistemas para explicar cómo llegaron a una decisión, el equipo hizo que el sistema revisara y guardara las imágenes del conjunto de datos de entrenamiento que representaban más claramente las características clásicas de cada uno de los cinco subtipos de hemorragias. Usando este atlas de características distintivas, el sistema puede mostrar un grupo de imágenes similares a las de la exploración por TAC, que se analiza para explicar la razón de sus decisiones.

“El rápido reconocimiento de la hemorragia intracraneal, conduciendo a un tratamiento adecuado e inmediato de los pacientes con síntomas agudos de accidente cerebrovascular, puede prevenir o mitigar una discapacidad grave o la muerte”, dijo el coautor Michael Lev, MD, del departamento de radiología del MGH. “Muchas instalaciones no tienen acceso a neurorradiólogos especialmente capacitados, en particular de noche o durante los fines de semana, lo que puede requerir que proveedores no expertos determinen si una hemorragia es la causa de los síntomas de un paciente. La disponibilidad de una “segunda opinión virtual” confiable, entrenada por neurorradiólogos, podría hacer que esos proveedores sean más eficientes y seguros y ayudar a asegurar que los pacientes reciban el tratamiento correcto”.

“Además de proporcionar, la tan necesaria segunda opinión virtual, este sistema también se podría implementar directamente en los escáneres, alertando al equipo de atención sobre la presencia de una hemorragia y desencadenando pruebas adicionales apropiadas, antes de que el paciente salga del escáner”, agregó el autor, Shahein Tajmir, MD, del servicio de Radiología en el MGH. “El próximo paso será implementar el sistema en áreas clínicas y validar aún más su desempeño con muchos más casos. Actualmente estamos construyendo una plataforma para permitir la aplicación generalizada de dichas herramientas en todo el departamento. Una vez que tengamos esto funcionando en el entorno clínico, podemos evaluar su impacto en el tiempo de respuesta, la exactitud clínica y el tiempo para el diagnóstico”.

Enlace relacionado:
Hospital General de Massachusetts