Diagnóstico de infarto de miocardio asistido por IA a partir de vídeos de ecocardiografía: ¿la explicabilidad mejora...

Área de la Ciencia:

• Cardiología
• Inteligencia Artificial
• Imagen Médica

Sus antecedentes:

• La ecocardiografía es vital para evaluar el infarto de miocardio (IM), pero sufre de variabilidad del observador.
• La inteligencia artificial (IA) ofrece potencial para la interpretación automatizada, sin embargo, su impacto en la colaboración humano-IA necesita ser estudiado.

Objetivo del estudio:

• Evaluar el efecto de las explicaciones impulsadas por IA en el rendimiento diagnóstico de los residentes de cardiología que interpretan ecocardiogramas para el IM.

Principales métodos:

• Se entrenó un modelo ResNet18-LSTM para detectar IM a partir de vídeos de ecocardiografía.
• Gradient-weighted Class Activation Mapping (Grad-CAM) generó explicaciones visuales.
• Se comparó el rendimiento diagnóstico de los residentes de cardiología en tres condiciones: clips de eco solos, con predicciones de IA y con predicciones de IA más explicaciones de Grad-CAM.

Principales resultados:

• Los modelos de IA lograron un alto rendimiento discriminatorio (AUCs 0.9250–0.9429).
• La IA sola (precisión del 80,0%) superó ligeramente a los cardiólogos solos (77,0%).
• La combinación de IA con juicio humano no mejoró el rendimiento; las explicaciones visuales redujeron la precisión al 72 % y la especificidad al 83,8 %.

Conclusiones:

• La IA puede detectar IM en ecocardiogramas, pero los métodos actuales de explicabilidad pueden no alinearse con el razonamiento clínico.
• Las técnicas de IA explicable pueden perjudicar el rendimiento diagnóstico cuando no se alinean con los flujos de trabajo clínicos.
• La futura integración de la IA requiere estrategias de explicación que complementen, en lugar de obstaculizar, la experiencia del médico.