Detección y Clasificación de Válvulas de Derivación Ventriculoperitoneal Mediante Ajuste Fino de un Modelo de...

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial
• Neurocirugía

Sus antecedentes:

• Las derivaciones ventriculoperitoneales (VP) son fundamentales para el manejo de la hidrocefalia.
• Identificar tipos específicos de válvulas de derivación VP en radiografías es un desafío debido a la gran cantidad de modelos.
• La identificación precisa de la válvula es esencial para determinar la configuración de la derivación y la atención al paciente.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de aprendizaje profundo para detectar y clasificar derivaciones VP en radiografías de cráneo.
• Mejorar la eficiencia y precisión de la identificación de derivaciones VP en comparación con los métodos manuales.

Principales métodos:

• Se curó un conjunto de datos de 2263 radiografías de cráneo con 11 tipos distintos de válvulas de derivación VP.
• Se ajustó un modelo de aprendizaje profundo YOLOv8-large utilizando aumento de datos y optimización de hiperparámetros.
• El modelo se entrenó y validó con una división de datos del 80/10/10.

Principales resultados:

• El modelo YOLOv8 ajustado alcanzó métricas de alto rendimiento: precisión de 0.949, exhaustividad de 0.930, mAP50 de 0.951 y puntuación F1 máxima de 0.952.
• La precisión media de los objetos (mAP50) para tipos de válvulas individuales varió de 0.841 a 0.995.
• El modelo demostró una generalización robusta en varios tipos de válvulas de derivación VP.

Conclusiones:

• El modelo de aprendizaje profundo YOLOv8 muestra un potencial significativo para la aplicación clínica en la detección y clasificación de derivaciones VP.
• Este enfoque de IA ofrece una localización explícita de la válvula, maneja múltiples derivaciones por paciente y facilita el análisis posterior.
• Las altas capacidades de precisión y generalización del modelo pueden optimizar la interpretación radiográfica para los neurocirujanos.