Crédito: Anna Shvets/ Pexels
Modelo de aprendizaje maquinal permite marcar escaneos cerebrales anormales
24 de febrero de 2022 | Historia original del King'sCollege de Londres
Investigadores del King'sCollege de Londres han desarrollado un marco de aprendizaje profundo basado en redes neuronales convolucionales para marcar anomalías clínicamente relevantes en el momento de la obtención de imágenes, en resonancias magnéticas de cabeza axiales ponderadas en T2 de grado hospitalario mínimamente procesadas, rutinarias y de grado hospitalario. Sus resultados fueron publicados en el journal Medical ImageAnalysis.
El trabajo estuvo motivado por las demoras en la notificación de los resultados de las estudiosrealizados en los hospitales. La creciente demanda nacional e internacional de resonancias magnéticas, junto con la escasez de radiólogos, han llevado a un aumento en el tiempo necesario para informar los resultados de las resonancias magnéticas de la cabeza en los últimos años.
Los retrasos en la elaboración de los informes provocan un efecto en cadena ya que demoranen el tiempo de administrar el tratamiento correcto a los pacientes, loque resulta enconsecuencias en la salud de los pacientes y aumentan los costos de atención médica.
El autor principal del artículo, el Dr. David Wood, investigador asociado del King'sCollege de Londres, dijo:“Nuestro modelo puede reducir los tiempos de notificación de exámenes anormales al marcar con precisión las anomalías en el momento de la obtención de imágenes, lo que permite a los departamentos de radiología priorizar los recursos limitados para informar primero estas exploraciones. Esto aceleraría la intervención del equipo clínico de referencia”.
En un estudio de simulación con datos retrospectivos del King'sCollege Hospital (KCH) y Guy's and St Thomas' NHS Foundation Trust (GSTT), los investigadores encontraron que su modelo redujo los tiempos de espera para los informes de pacientes con anomalías en aproximadamente dos semanas, de 28 días a 14 días y de 9 días a 5 días.
Los logros actuales están respaldados por un modelo reciente que aborda un problema existente que bloquea los desarrollos generales en la aplicación del aprendizaje profundo a las imágenes: la dificultad para obtener conjuntos de datos grandes, clínicamente representativos y etiquetados con precisión.
Si bien es posible acceder a grandes conjuntos de datos hospitalarios, esos generalmente no están etiquetados. El marco de aprendizaje profundo basado en redes neuronales convolucionales utilizadas en el estudio actual para señalar anomalías clínicamente relevantes en el momento de la obtención de imágenes no, podría haberse desarrollado sin este trabajo anterior que permitió el etiquetado del conjunto de datos de resonancia magnética de la cabeza a escala.
En este artículo, otro paso adelante hacia la traducción clínica es que los investigadores utilizan resonancias magnéticas de la cabeza ponderadas por T2 axial de grado hospitalario que han sido objeto de poco procesamiento antes del análisis de triage .
Esto significa que las resonancias magnéticas de la cabeza se pueden usar en la forma en que llegan del escáner, lo que reduce de minutos a segundos el tiempo que de otro modo se pasaría procesando las imágenes, pero también permite detectar más anomalías en otras áreas capturadas por la resonancia magnética de la cabeza, como enfermedades en el cráneo. y alrededor de los ojos y la nariz. La velocidad y la cobertura del sistema de detección de anomalías permiten aplicaciones en tiempo real.
El autor principal del artículo, el Dr. Thomas Booth, profesor titular de neuroimégenes en el King'sCollege de Londres, dijo: “Habiendo construido y validado previamente un conjunto de datos de resonancia magnética de cabeza etiquetados utilizando una metodología de aprendizaje automático de vanguardia a través de un equipo de científicos de datos y radiólogos de hospitales, el mismo equipo ahora ha construido y validado un nuevo modelo de aprendizaje automático que permite clasificar las exploraciones de resonancia magnética de cabeza para que las exploraciones anormales puedan estar al frente de la cola para informar. El beneficio potencial para los pacientes y los sistemas de salud es enorme”.
Una subvención reciente permitirá una mayor perfeccionamiento del modelo y acelerará la traducción a la clínica.
Referencia
Wood DA, Kafiabadi S, Busaidi AA, et al. Deep learning models for triaging hospital head MRI examinations. MedImage Anal. 2022;78:102391. doi: 10.1016/j.media.2022.102391
Este artículo ha sido republicado a partir de los siguientes materiales. Nota: el material puede haber sido editado por su longitud y contenido. Para obtener más información ver la fuente citada.
1 Asignación de grados de urgencia a pacientes heridos o enfermos.
