Clasificación de las tomografías computarizadas: un nuevo enfoque que implementa un algoritmo forestal aleatorio forzado | JoVE Visualize

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.