Detección de anomalías basada en el aprendizaje profundo en imágenes médicas ortopédicas: una revisión sistemática de...

Área de la Ciencia:

• Diagnóstico ortopédico
• Imágenes médicas
• Inteligencia artificial en la salud

Sus antecedentes:

• El aprendizaje profundo (DL) está transformando el análisis de imágenes médicas.
• El diagnóstico ortopédico presenta desafíos únicos para el análisis automatizado.
• Los métodos existentes luchan con anomalías sutiles y diversas patologías.

Objetivo del estudio:

• Revisar sistemáticamente la aplicación de las LD, específicamente las CNN y las GAN, en el diagnóstico ortopédico.
• Analizar las metodologías, los conjuntos de datos y el rendimiento de los modelos DL para la detección de anomalías ortopédicas.
• Identificar las limitaciones y las direcciones futuras de la investigación para el DL en ortopedia.

Principales métodos:

• Revisión sistemática de 63 estudios revisados por pares (2017-2025).
• El análisis se centró en las técnicas de DL (CNN, GAN), las condiciones ortopédicas (fracturas, deformidades) y las métricas de rendimiento.
• Evaluación de la relevancia clínica y las limitaciones de las aplicaciones de DL existentes.

Principales resultados:

• Se han observado avances significativos en la clasificación de fracturas y el etiquetado vertebral utilizando DL.
• Los modelos DL demuestran el potencial para detectar varias anomalías ortopédicas.
• Los retos permanecen en el diagnóstico de deformidades sutiles y patologías raras.

Conclusiones:

• DL, en particular CNN y GAN, ofrece un potencial sustancial para mejorar la precisión del diagnóstico ortopédico.
• Las limitaciones incluyen pequeños conjuntos de datos, falta de validación externa y desafíos con condiciones raras.
• Los trabajos futuros deben centrarse en herramientas de detección de anomalías robustas e integradas clínicamente, con datos diversos y una detección de anomalías mejorada.