El diagnóstico impulsado por la IA del síndrome aórtico agudo se basa en la fusión de información multimodal

Área de la Ciencia:

• Imágenes y Diagnóstico Cardiovascular.
• La inteligencia artificial en la medicina.
• Fusión de datos médicos y fusión de datos médicos.

Sus antecedentes:

• El síndrome aórtico agudo (SAA) presenta un desafío clínico significativo debido a su alta mortalidad temprana y potencial de diagnóstico erróneo.
• La identificación y clasificación temprana efectiva es crucial para la intervención oportuna y la mejora de los resultados de los pacientes en AAS.

Objetivo del estudio:

• Desarrollar y validar un modelo multimodal de fusión a escala múltiple (MMMF) para mejorar la identificación y clasificación temprana de AAS.
• Crear un modelo de diagnóstico colaborativo hombre-máquina para minimizar el diagnóstico erróneo y los diagnósticos perdidos de AAS.

Principales métodos:

• Análisis retrospectivo de imágenes de CTA e indicadores clínicos de 493 pacientes (2019-2024).
• Utilizó un codificador de imagen a escala múltiple para la extracción de rasgos morfológicos.
• Características extraídas integradas con indicadores clínicos utilizando una red neuronal gráfica (GNN) para la fusión multimodal.

Principales resultados:

• El modelo MMMF demostró un rendimiento superior en comparación con los modelos monomodales en todas las métricas clave de clasificación.
• Logró un rendimiento diagnóstico integral general con un AUC > 0,9, lo que indica excelentes capacidades.
• Identificó el modelado de la estructura gráfica y la resolución del codificador visual como factores críticos que influyen en el rendimiento del modelo.

Conclusiones:

• El modelo MMMF mejora significativamente el rendimiento de diagnóstico y clasificación para AAS.
• Esta herramienta de IA puede servir como una herramienta auxiliar de detección clínica, ayudando a la rápida identificación de casos típicos y el diagnóstico preciso.
• El modelo ayuda a los médicos al señalar casos de baja confianza, lo que mejora la rapidez y la precisión del diagnóstico de AAS.