Comparación de radiografías reales y generadas por ChatGPT para entrenar modelos de aprendizaje profundo para el...

Área de la Ciencia:

• Inteligencia artificial en imágenes médicas
• Diagnóstico radiográfico de osteoartritis

Sus antecedentes:

• La osteoartritis (OA) es una enfermedad articular degenerativa con una creciente prevalencia mundial.
• La automatización del diagnóstico radiográfico de la OA es crucial debido a su creciente carga.
• La inteligencia artificial (IA) ofrece potencial para automatizar el diagnóstico de la OA.

Objetivo del estudio:

• Comparar modelos de IA entrenados con conjuntos de datos radiográficos reales, sintéticos (generados por ChatGPT) y combinados.
• Evaluar la eficacia de la imagenología sintética en la mejora de la detección de OA.
• Evaluar el papel de los datos sintéticos en la mejora de los modelos de diagnóstico.

Principales métodos:

• Se entrenaron tres clasificadores binarios utilizando radiografías de rodilla: Modelo A (solo sintético), Modelo B (solo real) y Modelo C (real + sintético).
• Se evaluaron los modelos en 1.656 radiografías reales excluidas utilizando métricas como precisión, sensibilidad, especificidad, puntuación F1 y AUROC.
• Se emplearon pruebas de McNemar y remuestreo de bootstrap para comparaciones estadísticas.

Principales resultados:

• Los modelos entrenados con datos reales (B y C) superaron al modelo solo sintético (A).
• El modelo C mostró una discriminación ligeramente mejorada (AUROC 0.782) en comparación con el modelo B (AUROC 0.758), con intervalos de confianza superpuestos.
• Los datos sintéticos mostraron mejoras favorables pero no estadísticamente significativas en la sensibilidad específica de grado después del ajuste.

Conclusiones:

• Las radiografías generadas por ChatGPT por sí solas son insuficientes para entrenar modelos de IA de diagnóstico de OA confiables.
• Las imágenes sintéticas pueden servir como un complemento valioso para las radiografías reales para la expansión del conjunto de datos.
• La imagenología sintética muestra potencial para mejorar los modelos de detección de OA, pero no reemplaza la imagenología clínica.