Detección basada en el aprendizaje profundo de la dilatación aórtica ascendente en radiografías de tórax: un estudio...

Área de la Ciencia:

• Radiología
• Inteligencia artificial
• Imágenes cardiovasculares

Sus antecedentes:

• La dilatación ascendente de la aorta (DAA) es una condición cardiovascular crítica.
• El diagnóstico preciso de AAD es esencial para la intervención oportuna.
• Los métodos de diagnóstico actuales pueden tener limitaciones en cuanto a accesibilidad e interpretación.

Objetivo del estudio:

• Para validar externamente un algoritmo de inteligencia artificial (IA) para la detección de AAD.
• Para evaluar el rendimiento de la IA utilizando la radiografía torácica estándar de visión de PA (PA CXR).
• Para comparar la precisión del diagnóstico de la IA con los lectores humanos y las mediciones basadas en TC.

Principales métodos:

• Se utilizaron dos cohortes de pruebas externas (escaneos del grupo 1: 336, escaneos del grupo 2: 190) con datos de CXR/CT emparejados.
• Análisis del rendimiento de la IA (DeepCatch X Aorta v1.1.0) con respecto a las mediciones derivadas de la TC y las evaluaciones de lectores expertos/no expertos.
• Evaluación del rendimiento utilizando las métricas de sensibilidad, especificidad y área bajo la curva (AUC).

Principales resultados:

• El algoritmo de IA logró valores robustos de AUC (0, 89 en el grupo 1, 0, 88 en el grupo 2) para la detección de AAD (umbral ≥4 cm).
• El rendimiento de la IA superó el de todos los lectores humanos en diferentes umbrales.
• El acuerdo entre los expertos humanos fue de moderado a moderado (kappa de Cohen 0.38, kappa de Fleiss 0.37).

Conclusiones:

• El algoritmo de IA demuestra una gran capacidad para detectar AAD a partir de imágenes CXR de un solo PA.
• La IA supera significativamente a los lectores humanos en el diagnóstico de AAD utilizando radiografía de tórax.
• Esta herramienta de IA ofrece un método confiable y eficiente para la detección y el diagnóstico de AAD.