Clasificación de las tomografías computarizadas: un nuevo enfoque que implementa un algoritmo forestal aleatorio...

Área de la Ciencia:

• Imágenes médicas
• Radiología
• El aprendizaje automático en el cuidado de la salud

Sus antecedentes:

• Las imágenes médicas, en particular la tomografía computarizada (TC), se enfrentan a desafíos en el manejo de la dosis de radiación y la estandarización del protocolo.
• Los métodos actuales para la clasificación de protocolos son manuales y requieren mucho tiempo.
• Se necesitan soluciones basadas en datos para optimizar los protocolos de TC y garantizar la seguridad del paciente.

Objetivo del estudio:

• Introducir un enfoque de aprendizaje automático para clasificar los protocolos de tomografía computarizada.
• Aprovechar los datos de monitoreo de dosis para la categorización automática del protocolo.
• Proporcionar una solución basada en datos para establecer niveles de referencia de diagnóstico (DRL) de manera eficiente.

Principales métodos:

• Desarrolló un flujo de trabajo de clasificación utilizando un clasificador forestal aleatorio.
• Tomografías computarizadas categorizadas en regiones anatómicas (cabeza, tórax, abdomen, columna vertebral, complejo de varias regiones).
• Empleado un proceso iterativo de refinamiento "humano en el bucle" que incluye la validación de expertos.

Principales resultados:

• Analizado 52.982 registros de tomografías computarizadas de 11 dispositivos de imágenes en cinco hospitales.
• Entrenó un clasificador para distinguir múltiples regiones anatómicas con alta precisión.
• Logró una precisión del 97% en la validación final en un conjunto de datos independiente, lo que demuestra la solidez del modelo.

Conclusiones:

• Introdujo un nuevo enfoque basado en datos para la clasificación del protocolo de imágenes médicas utilizando un algoritmo de bosque aleatorio.
• Creó un marco para la clasificación de protocolos y el establecimiento de DRL mediante la integración de la inteligencia computacional con la experiencia clínica.
• Demostró el potencial del aprendizaje automático para transformar la gestión del protocolo de TC y allanar el camino para su aplicación en otros procedimientos radiológicos.