Un modelo de diagnóstico inteligente para nódulos pulmonares que utiliza imágenes radiográficas de tórax y su...

Área de la Ciencia:

• Inteligencia artificial en imágenes médicas
• Radiología y diagnóstico médico
• Investigación en oncología y cáncer

Sus antecedentes:

• El cáncer de pulmón representa un riesgo significativo para la salud mundial, con acceso limitado a métodos avanzados de detección como la tomografía computarizada de baja dosis (LDCT) en muchas regiones.
• Las radiografías de tórax (CXR) se utilizan ampliamente para la detección temprana del cáncer de pulmón en China, pero su precisión de diagnóstico se puede mejorar.
• La integración de la inteligencia artificial (IA) con el análisis CXR ofrece un enfoque prometedor para mejorar el diagnóstico y el tratamiento tempranos del cáncer de pulmón.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje profundo (DL), CXR-RANet, para la detección mejorada del cáncer de pulmón mediante rayos X de tórax (CXR).
• Evaluar el rendimiento del modelo en la extracción y clasificación de características en comparación con los algoritmos de aprendizaje profundo y aprendizaje automático tradicionales existentes.
• Evaluar la utilidad del modelo como una herramienta escalable para los médicos comunitarios en el diagnóstico y manejo temprano del cáncer de pulmón.

Principales métodos:

• Se desarrolló un modelo de aprendizaje profundo (DL), CXR-RANet, utilizando 4079 CXR de 2518 individuos en TMUCIH, dividido en conjuntos de capacitación y validación.
• El modelo fue validado externamente en dos grandes cohortes: el conjunto de datos PLCO (24.697 individuos, 88.562 imágenes) y el conjunto de datos ChestDR (4848 individuos).
• El rendimiento se comparó con los algoritmos DL convencionales para la extracción de características y los modelos tradicionales de aprendizaje automático (ML) para la clasificación.

Principales resultados:

• El modelo CXR-RANet demostró un buen rendimiento, logrando un AUC de 0,933 en la validación interna y de 0,818 en el conjunto de datos ChestDR.
• En el conjunto de datos PLCO, el modelo predijo la ocurrencia de cáncer de pulmón con AUC de 0,902 (3 años), 0,897 (5 años) y 0,793 (10 años).
• El modelo CXR-RANet superó a los algoritmos DL convencionales en la extracción de características y a la mayoría de los algoritmos ML en las tareas de clasificación.

Conclusiones:

• El modelo CXR-RANet sirve como una herramienta robusta y escalable para el diagnóstico de nódulos pulmonares y cáncer de pulmón de CXR.
• Mejora significativamente las capacidades de diagnóstico de los médicos comunitarios para la detección y el tratamiento tempranos del cáncer de pulmón, independientemente de su nivel de experiencia.
• El rendimiento superior del modelo en la extracción y clasificación de características destaca su valor potencial en programas generalizados de detección de cáncer de pulmón.