Los investigadores están entrenando modelos de inteligencia artificial para identificar tuberculosis TB en las radiografías de tórax, lo que puede ayudar a los esfuerzos de detección y evaluación en áreas prevalentes de TB con acceso limitado a radiólogos, según un nuevo estudio que aparece en línea en la revista radiología .
Según la Organización Mundial de la Salud, la TB es una de las 10 principales causas de muerte en todo el mundo. En 2016, aproximadamente 10.4 millones de personas se enfermaron de TB, lo que resultó en 1.8 millones de muertes. La TB se puede identificar en imágenes de tórax, sin embargo TB-las áreas prevalentes generalmente carecen de la experiencia en interpretación radiológica necesaria para detectar y diagnosticar la enfermedad.
"Existe un enorme interés en la inteligencia artificial, tanto dentro como fuera del campo de la medicina", dijo el coautor del estudio, Paras Lakhani, MD, del Hospital de la Universidad Thomas Jefferson TJUH en Filadelfia. "Una solución de inteligencia artificial que podríainterpretar las radiografías para detectar la presencia de TB de manera rentable podría ampliar el alcance de la identificación y el tratamiento tempranos en los países en desarrollo ".
El aprendizaje profundo es un tipo de inteligencia artificial que permite a las computadoras completar tareas basadas en las relaciones de datos existentes. Una red neuronal convolucional profunda DCNN, modelada según la estructura del cerebro, emplea múltiples capas y patrones ocultos para clasificar las imágenes.
Para el estudio, el Dr. Lakhani y su colega, Baskaran Sundaram, MD, obtuvieron 1.007 radiografías de pacientes con y sin TB activa. Los casos consistieron en múltiples conjuntos de datos de rayos X de tórax de los Institutos Nacionales de Salud de BielorrusiaTuberculosis Portal y TJUH. Los conjuntos de datos se dividieron en capacitación 68.0 por ciento, validación 17.1 por ciento y prueba 14.9 por ciento.
Los casos se usaron para entrenar dos modelos DCNN diferentes: AlexNet y GoogLeNet, que aprendieron de los rayos X con TB y TB negativos. La precisión de los modelos se probó en 150 casos que se excluyeron del entrenamiento y la validaciónconjuntos de datos.
El modelo de inteligencia artificial con mejor rendimiento fue una combinación de AlexNet y GoogLeNet, con una precisión neta del 96 por ciento.
"La precisión relativamente alta de los modelos de aprendizaje profundo es emocionante", dijo el Dr. Lakhani. "La aplicabilidad para la TB es importante porque es una condición para la cual tenemos opciones de tratamiento. Es un problema que se puede resolver".
Los dos modelos DCNN tuvieron desacuerdo en 13 de los 150 casos de prueba. Para estos casos, los investigadores evaluaron un flujo de trabajo donde un radiólogo experto pudo interpretar las imágenes, diagnosticando con precisión el 100 por ciento de los casos. Este flujo de trabajo, que incorporó unhumano en el circuito, tenía una mayor precisión neta de cerca del 99 por ciento.
"La aplicación del aprendizaje profundo a las imágenes médicas es un campo relativamente nuevo", dijo el Dr. Lakhani. "En el pasado, otros enfoques de aprendizaje automático solo podían alcanzar un cierto nivel de precisión de alrededor del 80 por ciento. Sin embargo, con el aprendizaje profundo,hay potencial para soluciones más precisas, como lo ha demostrado esta investigación "
El Dr. Lakhani dijo que el equipo planea mejorar aún más los modelos con más casos de capacitación y otros métodos de aprendizaje profundo.
"Esperamos aplicar esto de forma prospectiva en un entorno del mundo real", dijo. "Una solución de inteligencia artificial que utiliza imágenes de tórax puede desempeñar un papel importante en la lucha contra la tuberculosis".
Fuente de la historia :
Materiales proporcionado por Sociedad Radiológica de América del Norte . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :