La inteligencia artificial como lector independiente de los nódulos pulmonares dominantes en el riesgo: influencia de...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia Artificial en Radiología
• Cribado del cáncer de pulmón

Sus antecedentes:

• El cribado del cáncer de pulmón se basa en la identificación y clasificación precisas de los nódulos de riesgo dominante.
• La inteligencia artificial (IA) se muestra prometedora en el análisis de tomografías computarizadas de baja dosis (LDCT) para los nódulos pulmonares.
• No se comprende bien el impacto de los parámetros de reconstrucción de TC en el rendimiento de la IA para nódulos de riesgo dominante.

Objetivo del estudio:

• Evaluar cómo los diferentes parámetros de reconstrucción afectan la capacidad de la IA para detectar y clasificar los nódulos de riesgo dominante en el cribado basal de LDCT.
• Para comparar el rendimiento de la IA en varios ajustes de núcleo y espesor / intervalo.

Principales métodos:

• La IA analizó escaneos LDCT de 300 participantes utilizando cuatro configuraciones de reconstrucción.
• El rendimiento se evaluó con base en un consenso leído por dos radiólogos.
• Las métricas incluían sensibilidad a nivel de exploración, especificidad, tasa de detección de nódulos y acuerdo de clasificación de tipo de nódulo.

Principales resultados:

• AI-D45f/ 1mm mostró una sensibilidad significativamente mayor para los nódulos de riesgo dominante en comparación con AI-B80f/ 1mm (77,5% frente a 31,5%).
• Las variaciones del núcleo afectaron significativamente el acuerdo de clasificación del tipo de nódulo (87,7% frente a 17,7%), pero no las tasas de detección (87,4% frente a 82,0%).
• Los cambios en la configuración de espesor/intervalo no influyeron sustancialmente en el rendimiento de la IA.

Conclusiones:

• La elección del núcleo de reconstrucción afecta críticamente la precisión de la clasificación de nódulos de la IA en el cribado del cáncer de pulmón LDCT.
• Las tasas de detección de nódulos fueron menos sensibles a las variaciones del núcleo.
• Alinear los núcleos de reconstrucción de IA con las preferencias del radiólogo puede mejorar el rendimiento de la IA y facilitar la integración clínica.