Análisis comparativo exhaustivo de modelos de aprendizaje profundo explicables para la diferenciación de espondilitis...

Área de la Ciencia:

• Imagenología Médica
• Inteligencia Artificial
• Cirugía de Columna

Sus antecedentes:

• Diferenciar la espondilitis brucelar (BS) de la espondilitis tuberculosa (TS) mediante RM es un desafío clínico importante.
• El aprendizaje profundo (DL) muestra promesa para mejorar la precisión diagnóstica, pero las estrategias óptimas de integración para datos de RM multisequencial no están claras.

Objetivo del estudio:

• Comparar sistemáticamente distintas arquitecturas de aprendizaje profundo para integrar datos de RM multisequencial.
• Identificar una estrategia de aprendizaje profundo válida y eficaz para diferenciar BS de TS.

Principales métodos:

• Análisis retrospectivo de 235 pacientes con BS o TS confirmados.
• Evaluación de cuatro arquitecturas de DL: modelos de secuencia única, fusión de canales de una sola rama, ramas múltiples heterogéneas y ramas múltiples homogéneas.
• Rendimiento evaluado utilizando el Área Bajo la Curva Característica Operativa del Receptor (AUC) en un conjunto de prueba.

Principales resultados:

• Los modelos de fusión de canales de una sola rama tuvieron un rendimiento deficiente, equivalente al azar (AUC 0.474-0.538).
• Tanto los modelos de secuencia única (mejor AUC 0.765) como las arquitecturas de ramas múltiples (AUC óptima 0.764) demostraron un rendimiento diagnóstico eficaz.
• Los modelos de ramas múltiples integraron con éxito la información de las secuencias de RM ponderadas en T1, ponderadas en T2 y con supresión de grasa.

Conclusiones:

• La elección de la arquitectura es fundamental para la viabilidad del modelo de DL en el análisis de RM multisequencial.
• La fusión ingenua por canales es una estrategia inválida para diferenciar BS y TS.
• El procesamiento de secuencias de RM únicas o el uso de arquitecturas paralelas de ramas múltiples son estrategias efectivas con un rendimiento diagnóstico comparable.