Modelo de aprendizaje auto-supervisado que integra la tomografía computarizada simple y mejorada por contraste para...

Área de la Ciencia:

• Inteligencia artificial en imágenes médicas
• Radiología y diagnóstico por imágenes
• Aprendizaje automático para la salud

Sus antecedentes:

• La colecistitis gangrenosa (GC) es una complicación grave de la colecistitis aguda.
• El diagnóstico preoperatorio de GC es un desafío con las imágenes tradicionales.
• Se necesitan nuevos enfoques de IA para mejorar la detección de GC.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje auto-supervisado (SSL) para la identificación preoperatoria de GC.
• Para utilizar tanto las imágenes de TC no mejoradas como las mejoradas por contraste para la predicción de GC.
• Mejorar la precisión del diagnóstico más allá de los métodos convencionales.

Principales métodos:

• Análisis retrospectivo de 7368 tomografías computarizadas de 1228 pacientes.
• Desarrollo de un modelo SSL (marco seResNet-50) formado en datos CT no etiquetados y etiquetados.
• Comparación de un modelo de fusión con CT mejorado (ECT) y modelos de CT no mejorados (NECT).

Principales resultados:

• El modelo SSL de fusión logró un alto rendimiento: AUC 0,965 (entrenamiento), 0,879 (Validación I), 0,887 (Validación II).
• El modelo de fusión superó significativamente a los modelos ECT y NECT en los conjuntos de validación.
• El modelo identificó cambios gangrenosos sutiles, ayudando a la toma de decisiones clínicas.

Conclusiones:

• Un modelo de SSL de fusión predice eficazmente la colecistitis gangrenosa antes de la cirugía utilizando tomografías computarizadas.
• El modelo demuestra una significativa aplicabilidad clínica para el diagnóstico temprano de la GC.
• Esta herramienta de IA apoya la estratificación oportuna del riesgo de los pacientes con GC.