Detección automática del desplazamiento de la línea media en la TC de la cabeza utilizando técnicas de localización y...

Área de la Ciencia:

• Análisis de imágenes médicas
• Inteligencia Artificial en Radiología
• Detección de patología neurológica

Sus antecedentes:

• El desplazamiento de la línea media (MLS) es un desplazamiento intracraneal crítico, a menudo causado por lesiones que ocupan espacio o lesiones cerebrales traumáticas.
• La detección oportuna de MLS es vital para los resultados de los pacientes, ya que los retrasos en el diagnóstico y la intervención pueden ser perjudiciales.
• Los métodos existentes se enfrentan a desafíos para evaluar la gravedad de MLS, especialmente cuando el tabique pelúcido se borra.

Objetivo del estudio:

• Desarrollar un algoritmo de aprendizaje profundo capaz de detectar el desplazamiento de la línea media (MLS) en todo su espectro de gravedad, de leve a grave.
• Para abordar la limitación de los métodos tradicionales que se basan en el tabique pelúcido, que puede ser borrado en casos graves de MLS.
• Crear una herramienta de IA para la identificación rápida y precisa de MLS en las tomografías computarizadas de pacientes.

Principales métodos:

• Utilizó una cohorte de 981 escáneres computarizados de pacientes con diversas patologías cerebrales.
• Se han seleccionado tomografías computarizadas individuales, dando prioridad a aquellas con ventrículos laterales visibles.
• Entrenó un modelo de detección de objetos You Only Look Once (YOLO) en 400 escaneos anotados para identificar los ventrículos laterales y la línea media del eje del cráneo.

Principales resultados:

• El modelo de IA logró un área bajo la curva (AUC) de 0,79 para la detección de MLS.
• Se demostró una sensibilidad de 0,73 y una especificidad de 0,72 en la diferenciación de la gravedad de MLS.
• El modelo capturó efectivamente los casos de MLS moderados y severos mientras los distinguía de los casos leves y normales.

Conclusiones:

• Se desarrolló con éxito un modelo de IA para identificar de manera confiable los ventrículos laterales y la línea media cerebral en las tomografías computarizadas.
• El modelo identifica y estratifica con precisión los casos clínicamente significativos de MLS, distinguiendo los casos emergentes de los no emergentes.
• Esta herramienta de IA tiene el potencial de servir como base para sistemas clínicos integrados para acelerar la revisión de casos urgentes.