Un innovador modelo de aprendizaje profundo basado en datos de tomografía computarizada bimodal para predecir la...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Enfermedades cardiovasculares

Sus antecedentes:

• La disección aórtica (DA) es una condición potencialmente mortal que requiere un diagnóstico rápido.
• El diagnóstico actual de la angiografía por tomografía computarizada (CTA) requiere mucho tiempo debido a los agentes de contraste.
• Los modelos de aprendizaje profundo (DL) existentes se limitan a entradas de una sola modalidad (CT sin contraste o CTA).

Objetivo del estudio:

• Desarrollar un marco de aprendizaje profundo (DL) bimodal para mejorar el diagnóstico de la disección aórtica (DA).
• Permitir el procesamiento independiente de datos CT y CTA sin contraste para la detección de doble trayectoria.
• Para mejorar la eficiencia del diagnóstico de EA.

Principales métodos:

• Un estudio retrospectivo incluyó a pacientes que se sometieron a TC y TC sin contraste entre febrero de 2016 y septiembre de 2021.
• Se desarrolló un modelo de DL en dos etapas: una red de detección de la aorta (AoDN) seguida de una red de diagnóstico de disección aórtica (ADDiN).
• El rendimiento se evaluó utilizando la precisión media en la intersección por encima del umbral de unión 0,5 (AP@0,5) para la detección de la aorta y el área debajo de la curva característica de funcionamiento del receptor (AUC) para el diagnóstico.

Principales resultados:

• El AoDN logró un alto rendimiento en la detección de la aorta, con un AP@0,5 del 99,14% en la TC sin contraste y del 99,34% en la TC.
• El ADDiN demostró una excelente precisión diagnóstica, logrando un AUC de 0,98 para la TC sin contraste y de 0,99 para la TC sin contraste.
• El modelo fue validado en tres instituciones.

Conclusiones:

• El modelo DL basado en datos de TC bimodal propuesto diagnostica con precisión la EA.
• Este marco facilita el diagnóstico hospitalario rápido y el inicio del tratamiento para los pacientes con EA.
• El estudio destaca el potencial de la DL multimodal para mejorar el diagnóstico de emergencias cardiovasculares.