Los conjuntos de datos disponibles públicamente para la inteligencia artificial en neurocirugía: una revisión...

Área de la Ciencia:

• Neurocirugía
• Inteligencia artificial
• Aprendizaje automático
• Imágenes médicas

Sus antecedentes:

• El avance en la inteligencia artificial (IA) para la neurocirugía se basa en conjuntos de datos etiquetados extensos y de alta calidad.
• La creación de tales conjuntos de datos es un desafío debido a la experiencia especializada requerida para el etiquetado de datos neuroquirúrgicos.
• Una visión global de los conjuntos de datos existentes es crucial para identificar las lagunas y orientar los esfuerzos futuros de recopilación de datos.

Objetivo del estudio:

• Revisar y caracterizar sistemáticamente los conjuntos de datos neuroquirúrgicos disponibles públicamente que sean adecuados para aplicaciones de aprendizaje automático.
• Identificar las limitaciones en los conjuntos de datos actuales y su impacto en el desarrollo y la validación de modelos de IA en neurocirugía.
• Proporcionar recomendaciones para el desarrollo futuro de conjuntos de datos para mejorar la integración de la IA en la atención neuroquirúrgica.

Principales métodos:

• Se realizó una revisión sistemática de la literatura siguiendo las directrices de PRISMA.
• PubMed fue buscado el 8 de febrero de 2025, identificando 267 artículos, con 86 que cumplían con los criterios de inclusión.
• Los datos extraídos incluyeron las características del conjunto de datos, el desarrollo del modelo, la validación, la disponibilidad y el impacto de la cita.

Principales resultados:

• La mayoría de los estudios (83,7%) se centraron en la patología de la columna vertebral, con una representación limitada de casos de tumor, vascular o trauma.
• Las modalidades de imagen incluyeron rayos X (37,2%), resonancia magnética (29,1%) y TC (20,9%).
• Los tipos de etiquetas fueron predominantemente la segmentación (36,0%) y el diagnóstico (26,7%), con una escasez de etiquetas de resultado (2,3%).
• La validación externa se informó en sólo el 22,6% de los estudios, el código compartido en el 20,2% y las solicitudes públicas en el 7,1%.
• La precisión fue la métrica más común, incluso para las tareas de segmentación, con métricas de evaluación subóptimas utilizadas con frecuencia.

Conclusiones:

• Los conjuntos de datos neuroquirúrgicos de acceso público están fuertemente sesgados hacia las imágenes de la columna vertebral y carecen de datos clínicos y de resultados esenciales.
• Los modelos de IA existentes están limitados por una validación externa insuficiente, una mala reproducibilidad y métricas de evaluación inadecuadas.
• Los esfuerzos futuros deben centrarse en la creación de conjuntos de datos diversos y multiinstitucionales con etiquetas de resultados y modelos validados para garantizar la integración segura de la IA en la neurocirugía.