Aprendizaje Profundo y Aprendizaje Automático para Diferenciar la Extravasación de Contraste y la Transformación...

Área de la Ciencia:

• Neurología
• Radiología
• Inteligencia Artificial

Sus antecedentes:

• La trombectomía mecánica (MT) es crucial para el ictus isquémico agudo (AIS), pero los hallazgos de TC sin contraste (NCCT) posteriores al procedimiento, como las hiperdensidades, pueden ser ambiguos.
• Distinguir la transformación hemorrágica (HT) de la extravasación de contraste (CE) en NCCT es vital para guiar la terapia anticoagulante posterior.

Objetivo del estudio:

• Desarrollar y validar modelos de aprendizaje automático (ML) para diferenciar HT de CE en NCCT dentro de las 6 horas posteriores a MT.
• Evaluar el rendimiento de los modelos basados en radiómica (SVM, RF, LR) y aprendizaje profundo (U-Net) en esta tarea de clasificación.

Principales métodos:

• Análisis retrospectivo de 351 pacientes con AIS sometidos a MT, con 111 que mostraron hiperdensidades post-MT clasificadas por TC de seguimiento.
• Entrenamiento de modelos de ML (SVM, RF, LR, U-Net) en hiperdensidades segmentadas o cortes axiales brutos de un subconjunto de pacientes.
• Prueba del rendimiento del modelo en una cohorte separada utilizando precisión, sensibilidad, especificidad, puntuación F1 y AUC.

Principales resultados:

• U-Net logró la mayor precisión (96%) y puntuación F1 (0.96).
• Todos los modelos demostraron un alto rendimiento.
• U-Net y Regresión Logística mostraron una excelente sensibilidad y especificidad para CE (100%).
• U-Net superó significativamente a Random Forest, pero el rendimiento fue comparable al de SVM y Regresión Logística.

Conclusiones:

• Los modelos de aprendizaje automático aplicados a NCCT son efectivos para distinguir CE de HT post-MT.
• El aprendizaje profundo (U-Net) y los modelos de ML tradicionales muestran una utilidad diagnóstica comparable.
• Se recomienda una mayor investigación con cohortes más grandes y enfoques híbridos.