Modelo basado en características de aprendizaje profundo en radiografía abdominal supera a los expertos para el...

Área de la Ciencia:

• Imagenología Médica
• Inteligencia Artificial en Medicina
• Atención Neonatal

Sus antecedentes:

• La radiografía abdominal simple es estándar para el diagnóstico de enterocolitis necrosante (NEC) neonatal.
• El diagnóstico de NEC en etapa temprana es un desafío debido a las características radiográficas sutiles.
• El aprendizaje profundo (DL) ofrece potencial para mejorar la precisión diagnóstica.

Objetivo del estudio:

• Evaluar la eficacia de los modelos de DL en el diagnóstico temprano de NEC en etapa I utilizando radiografía abdominal simple.
• Comparar el rendimiento diagnóstico de los modelos de DL con el de los expertos humanos.

Principales métodos:

• Análisis retrospectivo de 680 neonatos en dos centros (junio de 2016 - diciembre de 2023).
• Características de DL extraídas usando DenseNet121; modelos de radiómica construidos con regresión logística (LR) y random forest (RF).
• Rendimiento evaluado a través de curvas ROC en cohortes de entrenamiento y validación externa; comparación directa con el rendimiento de expertos humanos.

Principales resultados:

• Los modelos de DL lograron una alta precisión tanto en la cohorte de entrenamiento (LR AUC: 0.972, RF AUC: 0.961) como en la de validación (LR AUC: 0.964, RF AUC: 0.951).
• Los modelos de DL superaron significativamente a los expertos humanos en el diagnóstico de NEC en etapa I.
• Se identificaron 25 características de DL como clave para el desarrollo del modelo.

Conclusiones:

• Los modelos de DL que utilizan radiografía abdominal simple son efectivos para identificar NEC en etapa I en neonatos.
• Este enfoque no invasivo mejora el diagnóstico temprano de NEC y apoya la toma de decisiones clínicas.
• El análisis de imágenes impulsado por IA muestra una promesa para mejorar los resultados de la atención neonatal.