Algoritmos de aprendizaje profundo para la detección de hallazgos críticos en tomografías computarizadas de la...

Área de la Ciencia:

• Radiología
• Inteligencia artificial
• Imágenes médicas

Sus antecedentes:

• Las tomografías computarizadas sin contraste son estándar para la evaluación de traumatismos craneales y accidentes cerebrovasculares.
• La detección automatizada de anomalías clave es necesaria para mejorar la eficiencia.

Objetivo del estudio:

• Desarrollar y validar algoritmos de aprendizaje profundo para la detección automatizada de hemorragias intracraneales, fracturas calvales, desplazamiento de la línea media y efecto de masa en tomografías computarizadas de la cabeza.

Principales métodos:

• Recopilación retrospectiva de 313.318 tomografías computarizadas en las cabezas de los centros de la India (2011-2017).
• Desarrollo y validación utilizando conjuntos de datos Qure25k y CQ500.
• El rendimiento se evaluó utilizando las curvas de las características de funcionamiento del receptor (AUC).

Principales resultados:

• Se obtuvieron AUC elevados para la detección de hemorragias intracraneales (0,92 en Qure25k, 0,94 en CQ500).
• Detección precisa de los subtipos de hemorragia intracraneal, fracturas calvales (AUC 0,92), desplazamiento de la línea media (AUC 0,93) y efecto de masa (AUC 0,86).

Conclusiones:

• Los algoritmos de aprendizaje profundo demuestran una alta precisión en la identificación de anomalías urgentes en la TC de la cabeza.
• Potencial para la clasificación automatizada de pacientes con trauma en la cabeza o síntomas de accidente cerebrovascular.