Aplicación de aprendizaje profundo de YOLOv8 para el cribado de disección aórtica utilizando tomografía computarizada...

Área de la Ciencia:

• Inteligencia artificial en imágenes médicas
• Radiología cardiovascular
• Aprendizaje profundo para el apoyo diagnóstico

Sus antecedentes:

• La disección aórtica aguda (DA) es una condición crítica que requiere un diagnóstico rápido.
• La tomografía computarizada sin contraste (TC) se utiliza para la detección de EA, pero la interpretación del radiólogo puede ser variable y consumir mucho tiempo.
• Se necesitan herramientas de diagnóstico mejoradas, eficientes y precisas para la EA.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje profundo interpretable YOLOv8 para la detección de EA en tomografías computarizadas sin contraste.
• Para comparar el rendimiento diagnóstico y la eficiencia del modelo de IA con los radiólogos.

Principales métodos:

• Un estudio retrospectivo que incluyó 1.138 tomografías computarizadas sin contraste de cinco instituciones, divididas en cohortes de capacitación, validación interna y externa.
• Se entrenó un modelo de aprendizaje profundo interpretable YOLOv8 en imágenes de TC anotadas.
• El rendimiento se evaluó utilizando el AUC, la sensibilidad, la especificidad y el tiempo de inferencia, con comparaciones con los radiólogos de intervención vascular, los radiólogos generales y los residentes. Grad-CAM fue utilizado para la interpretabilidad.

Principales resultados:

• El modelo YOLOv8s demostró un alto rendimiento diagnóstico con un AUC de 0,970 en la cohorte de validación externa.
• La sensibilidad del modelo (0,976) y la especificidad (0,935) fueron comparables o superiores a las de los radiólogos.
• El tiempo de inferencia del modelo (3,47 segundos) fue significativamente más rápido que el tiempo medio de interpretación del radiólogo (25,32 segundos).

Conclusiones:

• El modelo de aprendizaje profundo de YOLOv8s detecta de manera confiable la EA en CT sin contraste, superando a los radiólogos en velocidad y precisión.
• Esta herramienta de IA ofrece potencial para mejorar la detección de EA, ayudar a la toma de decisiones clínicas y mejorar la calidad del diagnóstico.
• La interpretabilidad del modelo, confirmada por Grad-CAM, respalda su utilidad clínica.