Aprendizaje profundo para clasificar los patrones de imagen de la enfermedad pulmonar intersticial asociada con...

Área de la Ciencia:

• Radiología
• Inteligencia artificial
• Pulmonología

Sus antecedentes:

• El diagnóstico y la clasificación de la enfermedad pulmonar intersticial asociada a las miopatías inflamatorias idiopáticas (IIM-ILD) basadas en patrones de imágenes es un desafío.
• Requiere experiencia médica especializada, lo que pone de relieve la necesidad de herramientas de diagnóstico avanzadas.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje profundo (DL) para clasificar los patrones de imágenes IIM-ILD.
• Mejorar la precisión del diagnóstico y la eficiencia en la identificación de los subtipos IIM-ILD.

Principales métodos:

• Análisis retrospectivo de 629 pacientes con IIM-ILD, dividido en grupos de entrenamiento, pruebas internas y validación temporal externa.
• Desarrollo de un modelo de DL utilizando imágenes de tomografía computarizada de alta resolución (HRCT).
• Incorporación de mapeo de activación de clases y suavizado de etiquetas para la interpretabilidad y mejora del rendimiento.

Principales resultados:

• El modelo DL logró un AUC promedio de 0,885 y una puntuación F1 de 0,706 en el conjunto de pruebas internas.
• En el conjunto de validación temporal externa, el modelo demostró un AUC de 0,835 y una puntuación F1 de 0,727.
• El modelo exhibió un gran rendimiento en la clasificación de diversos patrones de imágenes IIM-ILD.

Conclusiones:

• El modelo DL desarrollado clasifica efectivamente múltiples patrones de imagen asociados con el IIM-ILD.
• Este sistema de IA demuestra el potencial como una valiosa herramienta de soporte de diagnóstico radiológico en entornos clínicos.
• La validación adicional puede conducir a una mejor gestión del paciente para el IIM-ILD.