Un equipo de investigadores del Departamento de Radiología del Hospital General de Massachusetts MGH ha desarrollado un sistema que utiliza inteligencia artificial para diagnosticar y clasificar rápidamente las hemorragias cerebrales y proporcionar la base de sus decisiones a partir de conjuntos de datos de imágenes relativamente pequeños. Tal sistema podría convertirseUna herramienta indispensable para los departamentos de emergencias de los hospitales que evalúan a los pacientes con síntomas de un accidente cerebrovascular potencialmente mortal, que permite la aplicación rápida del tratamiento correcto. El informe del equipo se publicó en línea en Ingeniería biomédica de la naturaleza .
Si bien el poder de cómputo cada vez mayor y la disponibilidad de grandes conjuntos de datos han mejorado el aprendizaje automático, el proceso mediante el cual las computadoras analizan los datos, identifican patrones y esencialmente se enseñan a sí mismos cómo realizar una tarea sin la participación directa de un programador humano - es importantelos obstáculos pueden impedir que tales sistemas se integren en la toma de decisiones clínicas. Entre ellos, la necesidad de conjuntos de datos grandes y bien anotados los sistemas de análisis de imágenes desarrollados previamente capaces de duplicar el rendimiento de un médico recibieron capacitación con más de 100,000 imágenes y el "problema de caja negra ", la incapacidad de los sistemas para explicar cómo llegaron a una decisión. La Administración de Drogas y Alimentos de los EE. UU. requiere que cualquier sistema de apoyo a la decisión proporcione datos que permitan a los usuarios revisar las razones detrás de sus hallazgos.
"Es algo paradójico usar las palabras 'datos pequeños' o 'explicable' para describir un estudio que utilizó el aprendizaje profundo", dice Hyunkwang Lee, un estudiante graduado de la Escuela de Ingeniería y Ciencias Aplicadas de Harvard, uno de los dosautores principales del estudio. "Sin embargo, en medicina, es especialmente difícil recopilar datos grandes de alta calidad. Es fundamental que varios expertos etiqueten un conjunto de datos para garantizar la coherencia de los datos. Este proceso es muy costoso y requiere mucho tiempo."
El co-autor principal Sehyo Yune, MD, de MGH Radiology agrega: "Algunos críticos sugieren que los algoritmos de aprendizaje automático no pueden usarse en la práctica clínica, porque los algoritmos no brindan justificación para sus decisiones. Nos dimos cuenta de que es imperativo superarlosestos dos desafíos para facilitar el uso en el cuidado de la salud del aprendizaje automático, que tiene un inmenso potencial para mejorar la calidad y el acceso a la atención ".
Para entrenar su sistema, el equipo de MGH comenzó con 904 tomografías computarizadas de la cabeza, cada una de las cuales consistía en alrededor de 40 imágenes individuales, que fueron etiquetadas por un equipo de cinco neurorradiólogos de MGH para determinar si representaban uno de los cinco subtipos de hemorragia, según la ubicacióndentro del cerebro, o sin hemorragia. Para mejorar la precisión de este sistema de aprendizaje profundo, el equipo, dirigido por el autor principal Synho Do, PhD, director del Laboratorio de Radiología y Computación Médica de MGH y profesor asistente de Radiología en HarvardFacultad de medicina: pasos integrados que imitan la forma en que los radiólogos analizan las imágenes, que incluyen factores de ajuste como el contraste y el brillo para revelar diferencias sutiles que no son evidentes de inmediato y desplazarse por cortes adyacentes de tomografía computarizada para determinar si algo que aparece en una sola imagen refleja o noun problema real o es un artefacto sin sentido.
Una vez que se creó el sistema modelo, los investigadores lo probaron en dos conjuntos separados de tomografías computarizadas: un conjunto retrospectivo tomado antes de que se desarrollara el sistema, que consta de 100 exploraciones con y 100 sin hemorragia intracraneal, y un conjunto prospectivo de 79 exploracionescon y 117 sin hemorragia, tomada después de la creación del modelo. En su análisis del conjunto retrospectivo, el sistema del modelo fue tan preciso en la detección y clasificación de hemorragias intracraneales como lo habían sido los radiólogos que habían revisado los escáneres. En su análisis de la perspectivaconjunto, demostró ser incluso mejor que los lectores humanos no expertos.
Para resolver el problema del "recuadro negro", 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 hemorragia. Utilizando este atlas de características distintivas, el sistema escapaz de mostrar un grupo de imágenes similares a las de la tomografía computarizada que se analiza para explicar la base de sus decisiones.
"El reconocimiento rápido de la hemorragia intracraneal, que conduce a un tratamiento adecuado inmediato de los pacientes con síntomas de accidente cerebrovascular agudo, puede prevenir o mitigar la discapacidad o la muerte", dice el coautor Michael Lev, MD, MGH Radiology. "Muchas instalaciones no tienen accesoa neurorradiólogos especialmente capacitados, especialmente durante la noche o los fines de semana, lo que puede requerir que proveedores no expertos determinen si una hemorragia es o no la causa de los síntomas del paciente. La disponibilidad de una "segunda opinión virtual" confiable y capacitadapor neurorradiólogos: podría hacer que esos proveedores sean más eficientes y seguros y ayudar a garantizar que los pacientes reciban el tratamiento adecuado "
El coautor Shahein Tajmir, MD, MGH Radiology agrega: "Además de proporcionar esa segunda opinión virtual muy necesaria, este sistema también podría implementarse directamente en los escáneres, alertar al equipo de atención sobre la presencia de una hemorragia y desencadenar másprueba antes de que el paciente esté incluso fuera del escáner. El siguiente paso será implementar el sistema en áreas clínicas y validar aún más su rendimiento con muchos más casos. Actualmente estamos construyendo una plataforma para permitir la aplicación generalizada de tales herramientas en todo el departamentoUna vez que tengamos esto funcionando en el entorno clínico, podemos evaluar su impacto en el tiempo de respuesta, la precisión clínica y el tiempo para el diagnóstico ".
Fuente de la historia :
Materiales proporcionado por Hospital General de Massachusetts . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :