Los médicos pronto podrían obtener ayuda de una herramienta de inteligencia artificial al diagnosticar aneurismas cerebrales: protuberancias en los vasos sanguíneos del cerebro que pueden gotear o explotar, lo que puede provocar un derrame cerebral, daño cerebral o la muerte.
La herramienta de IA, desarrollada por investigadores de la Universidad de Stanford y detallada en un artículo publicado el 7 de junio en Red JAMA abierta , resalta áreas de un escáner cerebral que probablemente contengan un aneurisma.
"Ha habido mucha preocupación acerca de cómo el aprendizaje automático realmente funcionará dentro del campo de la medicina", dijo Allison Park, una estudiante graduada de Stanford en estadística y coautora principal del artículo. "Esta investigación es un ejemplo de cómo los humanosmantenerse involucrado en el proceso de diagnóstico, ayudado por una herramienta de inteligencia artificial "
Esta herramienta, que se basa en un algoritmo llamado HeadXNet, mejoró la capacidad de los médicos para identificar correctamente los aneurismas a un nivel equivalente a encontrar seis aneurismas más en 100 escaneos que contienen aneurismas. También mejoró el consenso entre los médicos intérpretes. Aunque el éxitode HeadXNet en estos experimentos es prometedor, el equipo de investigadores, que tienen experiencia en aprendizaje automático, radiología y neurocirugía, advierte que se necesita más investigación para evaluar la generalización de la herramienta de IA antes del despliegue clínico en tiempo real dadas las diferencias en el escánerhardware y protocolos de imagen en diferentes centros hospitalarios. Los investigadores planean abordar estos problemas a través de la colaboración multicéntrica.
Experiencia aumentada
Combinar los escáneres cerebrales para detectar signos de un aneurisma puede significar desplazarse a través de cientos de imágenes. Los aneurismas vienen en muchos tamaños y formas y se hinchan en ángulos difíciles, algunos se registran como un simple blip dentro de la sucesión de imágenes de película.
"La búsqueda de un aneurisma es una de las tareas más intensivas y laboriosas que realizan los radiólogos", dijo Kristen Yeom, profesora asociada de radiología y coautora principal del artículo. "Dados los desafíos inherentes de la anatomía neurovascular compleja y potencialmente mortalresultado de un aneurisma perdido, me impulsó a aplicar avances en ciencias de la computación y visión a la neuroimagen ".
Yeom llevó la idea a la IA para Healthcare Bootcamp, dirigida por el Machine Learning Group de Stanford, dirigida por Andrew Ng, profesor adjunto de ciencias de la computación y coautor principal del artículo. El desafío central fue crear una herramienta de inteligencia artificial quepodría procesar con precisión estas grandes pilas de imágenes en 3D y complementar la práctica de diagnóstico clínico.
Para entrenar su algoritmo, Yeom trabajó con Park y Christopher Chute, un estudiante graduado en ciencias de la computación, y describió aneurismas clínicamente significativos detectables en 611 tomografías computarizadas CT de tomografías de cabeza.
"Etiquetamos, a mano, cada vóxel, el equivalente en 3D a un píxel, con o no parte de un aneurisma", dijo Chute, quien también es coautor principal del artículo ".los datos de entrenamiento fueron una tarea bastante agotadora y había muchos datos ".
Después del entrenamiento, el algoritmo decide para cada vóxel de un escaneo si hay un aneurisma presente. El resultado final de la herramienta HeadXNet es las conclusiones del algoritmo superpuestas como un resaltado semitransparente en la parte superior del escaneo. Esta representación de laLa decisión del algoritmo facilita que los médicos aún vean cómo se ven los escaneos sin la entrada de HeadXNet.
"Estábamos interesados en cómo estos escaneos con superposiciones agregadas por IA mejorarían el rendimiento de los médicos", dijo Pranav Rajpurkar, un estudiante graduado en ciencias de la computación y coautor principal del artículo. "En lugar de simplemente decir que el algoritmo dice queuna exploración contenía un aneurisma, pudimos llamar la atención del médico sobre la ubicación exacta de los aneurismas "
Ocho médicos probaron HeadXNet evaluando un conjunto de 115 escáneres cerebrales para aneurisma, una vez con la ayuda de HeadXNet y otra sin él. Con la herramienta, los médicos identificaron correctamente más aneurismas y, por lo tanto, redujeron la tasa de "fallas", y los médicoseran más propensos a estar de acuerdo el uno con el otro. HeadXNet no influyó en el tiempo que les tomó a los médicos decidir sobre un diagnóstico o su capacidad para identificar correctamente los escáneres sin aneurismas, una protección contra decirle a alguien que tienen un aneurisma cuando no lo tienen.
a otras tareas e instituciones
Los métodos de aprendizaje automático en el corazón de HeadXNet probablemente podrían ser entrenados para identificar otras enfermedades dentro y fuera del cerebro. Por ejemplo, Yeom imagina que una versión futura podría enfocarse en acelerar la identificación de aneurismas después de que hayan estallado, ahorrando un tiempo precioso en unsituación urgente. Pero queda un obstáculo considerable para integrar cualquier herramienta médica de inteligencia artificial con el flujo de trabajo clínico diario en radiología en todos los hospitales.
Los visores de escaneo actuales no están diseñados para trabajar con asistencia de aprendizaje profundo, por lo que los investigadores tuvieron que crear herramientas personalizadas para integrar HeadXNet dentro de los visores de escaneo. Del mismo modo, las variaciones en los datos del mundo real, a diferencia de los datos en los queel algoritmo se prueba y se entrena, podría reducir el rendimiento del modelo. Si el algoritmo procesa datos de diferentes tipos de escáneres o protocolos de imágenes, o una población de pacientes que no formaba parte de su entrenamiento original, podría no funcionar como se esperaba.
"Debido a estos problemas, creo que la implementación será más rápida no solo con la automatización de IA pura, sino con la colaboración de AI y radiólogos", dijo Ng. "Todavía tenemos trabajo técnico y no técnico para hacer, pero nosotros como comunidadllegará allí y la colaboración AI-radiólogo es el camino más prometedor "
Fuente de la historia :
Materiales proporcionado por Universidad de Stanford . Original escrito por Taylor Kubota. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :