Modelo de aprendizaje profundo clasifica las radiografías de tórax con exactitud
Por el equipo editorial de MedImaging en español
Actualizado el 26 Dec 2019
Un nuevo estudio afirma que la combinación de modelos de aprendizaje profundo (DL) con etiquetas de imágenes adjudicadas puede ayudar a clasificar los hallazgos clínicamente importantes en las radiografías de tórax.Actualizado el 26 Dec 2019
Investigadores de Google Health (Mountain View, CA), Apollo Radiology International (Hyderabad, India), California Advanced Imaging (Novato, EUA) y otras instituciones, desarrollaron modelos de DL que pueden clasificar con exactitud cuatro hallazgos de rayos X de tórax clínicamente importantes: neumotórax, nódulos y masas, fracturas y opacidades del espacio aéreo. Los hallazgos objetivo se seleccionaron en consulta con radiólogos y colegas clínicos, para enfocarse en condiciones que son tanto críticas para la atención del paciente y para las que las imágenes de rayos X de tórax solas son un estudio de imagenología de primera línea importante y accesible.
Para hacerlo, utilizaron dos grandes conjuntos de datos. El primero incluyó 759.611 imágenes de la red de Hospitales Apollo (Hyderabad, India) y el segundo fue extraído de un conjunto de 112.120 imágenes disponibles al público. Se utilizaron el procesamiento del lenguaje natural y la revisión experta de un pequeño subconjunto de imágenes para proporcionar etiquetas para 657.954 imágenes de entrenamiento, con estándares de referencia definidos por cuatro radiólogos. Los resultados mostraron que para los cuatro hallazgos radiológicos, y en ambos conjuntos de datos, los modelos de DL exhibieron un desempeño a nivel de radiólogo. El estudio fue publicado el 3 de diciembre de 2019 en la revista Radiology.
“Lograr una exactitud de nivel experto en promedio es solo una parte de la historia. A pesar de que la exactitud general de los modelos de DL fue consistentemente similar a la de los radiólogos para cualquier hallazgo dado, el rendimiento de ambos varió entre los conjuntos de datos”, dijo el autor principal Shravya Shetty, MSc, líder técnico de Google Health. “Esto resalta la importancia de validar las herramientas de aprendizaje profundo en conjuntos de datos múltiples y diversos, y eventualmente en las poblaciones de pacientes y entornos clínicos en los que se pretende utilizar cualquier modelo”.
Dado que realizan millones de exámenes de diagnóstico anualmente en todo el mundo, las radiografías de tórax son una herramienta de imagenología clínica importante y accesible para la detección de muchas enfermedades. Sin embargo, su utilidad se puede ver limitada por desafíos en la interpretación, que requieren una evaluación rápida y exhaustiva de una imagen bidimensional que representa órganos complejos, tridimensionales (3D) y procesos de enfermedades. Como resultado, a menudo se pueden pasar por alto los cánceres de pulmón o neumotórax en etapa temprana (pulmones colapsados), lo que puede conducir a resultados adversos graves.
Enlace relacionado:
Google Health
Apollo Radiology International
California Advanced Imaging