Modelo de aprendizaje profundo diagnostica anomalías en la rodilla como un radiólogo experimentado
Actualizado el 02 Dec 2024
La articulación de la rodilla, una articulación en bisagra compleja, es una de las principales articulaciones de soporte de peso en el cuerpo humano y facilita los diversos movimientos necesarios para las actividades diarias. El envejecimiento y las lesiones pueden causar varias anomalías en la rodilla, lo que provoca dolor y disfunción. Por lo tanto, el diagnóstico preciso de estas anomalías es esencial para crear planes de tratamiento personalizados y mejorar la calidad de vida de los pacientes. Dada la intrincada anatomía de la articulación de la rodilla, diferentes parámetros de escaneo pueden arrojar resultados variados. Además, algunas lesiones sutiles pueden pasarse por alto, especialmente por radiólogos con experiencia limitada. La resonancia magnética (RM) de rodilla en secuencias múltiples es una técnica avanzada y no invasiva para diagnosticar patologías de la rodilla. Sin embargo, la interpretación de los resultados de la RM requiere mucho tiempo y depende en gran medida de la experiencia del radiólogo. En respuesta a esto, los investigadores han desarrollado un innovador modelo de aprendizaje profundo que ayuda a clasificar 12 tipos comunes de anomalías en la rodilla, mejorando tanto la eficiencia como la precisión diagnóstica.
En un estudio colaborativo, investigadores del HKUST Smart Lab (Kowloon, Hong Kong) y del Tercer Hospital Afiliado de la Universidad Médica del Sur (Guangzhou, China) analizaron datos de 1.748 pacientes. El estudio incluyó secuencias de RM ponderadas en T1 (T1W), T2 (T2W) y de densidad de protones (PDW) de los planos sagital, coronal y axial. Al combinar estos datos de RM con los resultados de la artroscopia, que se considera el estándar de oro para diagnosticar anomalías de la rodilla, los investigadores realizaron un análisis exhaustivo e identificaron 12 anomalías comunes de la rodilla. Luego desarrollaron un modelo de aprendizaje profundo, llamado Atención co-planar a través de secuencias de RM (CoPAS), para clasificar estas anomalías. El modelo capturó de manera eficaz las variaciones de intensidad en diferentes secuencias de RM e identificó correlaciones complejas con tipos de anomalías al separar las características espaciales, lo que dio como resultado una alta precisión de clasificación.
Para evaluar la efectividad del modelo, los investigadores realizaron pruebas clínicas simuladas. Inicialmente, los radiólogos proporcionaron diagnósticos basados únicamente en imágenes de RM. Después de un período de descanso, se les pidió que realizaran diagnósticos nuevamente, esta vez utilizando los resultados del modelo como referencia. Los resultados mostraron que la precisión diagnóstica promedio del modelo superó la de los radiólogos junior y fue comparable a la de los radiólogos senior. La precisión diagnóstica general de todos los radiólogos mejoró significativamente con la ayuda del modelo, según el estudio publicado en Nature Communications. Un análisis de interpretabilidad adicional comparó los hallazgos clínicos con el resultado del modelo, revelando que el proceso de toma de decisiones del modelo coincidía estrechamente con las preferencias clínicas. Esto sugiere que el modelo ha desarrollado un marco de toma de decisiones similar al de los radiólogos, lo que mejora su confiabilidad para la implementación clínica.
“Este innovador modelo CoPAS demuestra un rendimiento diagnóstico comparable al de los radiólogos. Es particularmente beneficioso para cerrar la brecha entre los médicos menos experimentados y los más experimentados”, afirmó el profesor asistente CHEN Hao, del Departamento de Ciencias de la Computación e Ingeniería y del Departamento de Ingeniería Química y Biológica de la HKUST, quien lideró el estudio. “Nuestros hallazgos subrayan la promesa de la inteligencia artificial en la atención médica, destacando su potencial para identificar y validar nuevos conocimientos clínicos”.
