Del consenso a la estandarización: evaluación del aprendizaje profundo para la segmentación de bloques nerviosos en...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Anestesiología

Sus antecedentes:

• El aprendizaje profundo (DL) ofrece identificación automática de nervios en imágenes de ultrasonido.
• Esta tecnología aprende de datos etiquetados por expertos para detectar y resaltar los nervios.
• La identificación precisa de los nervios es crucial para los bloqueos nerviosos guiados por ultrasonido.

Objetivo del estudio:

• Evaluar el rendimiento de los modelos de aprendizaje profundo en la identificación de nervios para bloqueos nerviosos guiados por ultrasonido.
• Para comparar la efectividad de varias arquitecturas de redes neuronales convolucionales para la segmentación nerviosa.

Principales métodos:

• Se recogieron 3594 imágenes de ultrasonido de fuentes públicas en 9 regiones de bloqueo nervioso.
• Se utilizaron 10 imágenes por región para las pruebas, etiquetadas por 10 anestesiólogos.
• Se aumentaron 3504 imágenes para crear un conjunto de formación de 25.000 imágenes por región, con 908 imágenes negativas incluidas.

Principales resultados:

• El modelo R2U-Net logró el puntaje promedio de dados más alto (0,7619), superando a otros modelos.
• Se observaron diferencias de rendimiento estadísticamente significativas en la región del nervio del plano transversal del abdomen (TAP).
• Las evaluaciones de expertos mostraron una alta precisión, con acuerdo para la inserción de la aguja en el 100% de las predicciones del nervio poplíteo.

Conclusiones:

• Los modelos de aprendizaje profundo, particularmente R2U-Net, muestran potencial para una segmentación nerviosa consistente en procedimientos guiados por ultrasonido.
• Estos hallazgos apoyan la integración de herramientas DL para mejorar la precisión y la seguridad del bloqueo nervioso.
• Una mayor validación y refinamiento de los modelos de DL puede mejorar la aplicación clínica en la anestesia regional.