Ensamble de aprendizaje profundo para la puntuación de la calcificación aórtica abdominal a partir de imágenes de...

Área de la Ciencia:

• Radiología
• Imágenes cardiovasculares
• La inteligencia artificial en la medicina

Sus antecedentes:

• La calcificación aórtica abdominal (CAA) es un predictor significativo de las enfermedades cardiovasculares (ECV).
• El AAC es a menudo un hallazgo incidental en las imágenes de la columna vertebral, lo que presenta una oportunidad para el cribado oportunista.
• La puntuación AAC manual actual consume mucho tiempo y sufre de variabilidad entre evaluadores, mientras que los métodos automatizados existentes carecen de robustez y adaptación específica a la modalidad.

Objetivo del estudio:

• Desarrollar y validar un método automatizado para cuantificar la AAC a partir de imágenes de rayos X de columna lumbar y de absorción de rayos X de doble energía (DXA).
• Para hacer frente a la variabilidad inherente en la puntuación manual AAC mediante la predicción de una distribución de puntuaciones probables.
• Mejorar la precisión y fiabilidad de la evaluación de AAC para la identificación temprana del riesgo de ECV.

Principales métodos:

• Utilizó un conjunto de modelos de red neuronal convolucional (CNN) para la cuantificación automatizada de AAC.
• Las puntuaciones AAC tratadas como variables aleatorias con distribución normal, estimando la media y la varianza a partir de las anotaciones manuales.
• Los modelos CNN entrenados simulan las puntuaciones AAC de estas distribuciones para dar cuenta de la variabilidad de la puntuación.
• Aplicó el método a las modalidades de imágenes de rayos X y DXA.

Principales resultados:

• Se logró una fuerte concordancia entre las puntuaciones AAC previstas y manuales, con coeficientes de correlación de concordancia de 0,930 para rayos X y 0,912 para DXA.
• Se ha demostrado una reducción del error de predicción en comparación con los métodos automatizados informados anteriormente.
• El enfoque conjunto extrajo efectivamente las puntuaciones de AAC y predijo distribuciones de puntuaciones de diversas fuentes de imágenes.

Conclusiones:

• El método de conjunto automatizado propuesto cuantifica con precisión la AAC a partir de imágenes de rayos X y DXA.
• La incorporación de la incertidumbre en la puntuación AAC a través de distribuciones de puntuación pronosticadas mejora la precisión de la predicción.
• Este método ofrece una herramienta confiable y eficiente para el cribado oportunista de AAC para identificar a las personas con mayor riesgo de ECV.