Video Experimental Relacionado
Updated: May 5, 2026
17:06
Co-analysis of Brain Structure and Function using fMRI and Diffusion-weighted Imaging
Published on: November 8, 2012
26.4K
Evaluación automatizada del desajuste DWI-FLAIR en accidentes cerebrovasculares en los que se utilice únicamente DWI
Joseph Benzakoun1,2,3, Lauranne Scheldeman3,4, Anke Wouters3,4
1IMA-BRAIN, INSERM U1266, Institute of Psychiatry and Neuroscience of Paris (IPNP), Université Paris Cité, Paris, France.
European stroke journal
|August 28, 2025
Resumen
Un modelo de aprendizaje profundo predice con precisión el desajuste de Difusión-Imagen ponderada-Inversión atenuada por fluido-Recuperación en pacientes con ACI usando solo datos de DWI. Esta herramienta ayuda a identificar candidatos para la trombólisis cuando se desconoce el inicio del accidente cerebrovascular.
Área de la Ciencia:
- Radiología
- Inteligencia artificial
- Neurología
Sus antecedentes:
- La falta de coincidencia entre las imágenes ponderadas por difusión (DWI) y la recuperación por inversión atenuada por fluidos (FLAIR) es crucial para identificar a los pacientes con accidente cerebrovascular isquémico agudo (AIS) elegibles para la trombólisis, especialmente cuando se desconoce el inicio del accidente cerebrovascular.
- La evaluación visual de la falta de coincidencia DWI-FLAIR tiene limitaciones debido al acuerdo subóptimo de los observadores, lo que afecta las decisiones de tratamiento en aproximadamente el 15% de los casos de AIS.
Objetivo del estudio:
- Desarrollar y validar un modelo de aprendizaje profundo (DL) capaz de predecir el desajuste DWI-FLAIR utilizando solo datos de DWI.
- Mejorar la precisión y la consistencia de la identificación de desajustes DWI-FLAIR en pacientes con EIA.
Principales métodos:
- Un estudio retrospectivo que utiliza datos de pacientes con AIS del registro ETIS (derivación) y el ensayo WAKE-UP (validación).
- Se entrenó un modelo DL para predecir las áreas visibles FLAIR (FVA) utilizando solo la entrada de DWI, definiendo un índice de FVA.
- El rendimiento del modelo se evaluó utilizando el área debajo de la curva ROC (AUC) y el límite óptimo del índice FVA para predecir el desajuste DWI-FLAIR.
Principales resultados:
- El modelo DL demostró un fuerte valor predictivo tanto en la derivación (AUC=0,85) como en las cohortes de validación (AUC=0,86).
- En la cohorte de validación se logró una sensibilidad del 70% y una especificidad del 88% con un límite óptimo del índice de FVA de 0,5.
- El modelo mostró una buena concordancia con las calificaciones visuales, indicadas por un kappa de 0,54.
Conclusiones:
- El modelo de DL desarrollado predice con precisión el desajuste DWI-FLAIR en pacientes con AIS con inicio desconocido de ACV.
- Esta herramienta de IA puede ayudar a los médicos en evaluaciones visuales desafiantes o cuando las secuencias FLAIR no están disponibles, optimizando potencialmente las decisiones de trombólisis.
