Cómo la personalización del umbral afecta el rendimiento de un modelo de IA multiclasificación de rayos X para el...

Área de la Ciencia:

• Inteligencia Artificial en Imagen Médica
• Optimización del Flujo de Trabajo de Radiología
• Aprendizaje Profundo para el Análisis de Radiografías de Tórax

Sus antecedentes:

• Los modelos comerciales de aprendizaje profundo (DL) para el análisis multiclasificación de radiografías de tórax (CXR) requieren adaptación para entornos clínicos específicos.
• Los entornos de atención primaria exigen herramientas de IA que prioricen la seguridad y minimicen los falsos negativos.

Objetivo del estudio:

• Describir el proceso de optimización del umbral para un modelo comercial de aprendizaje profundo (DL) de radiografías de tórax (CXR).
• Evaluar el rendimiento diagnóstico del modelo en varios umbrales.
• Estimar el impacto operativo potencial del triaje habilitado por IA en la atención primaria.

Principales métodos:

• Evaluación retrospectiva del rendimiento diagnóstico de un modelo de DL multiclasificación de CXR.
• Análisis basado en umbrales utilizando datos de clínicas de atención primaria y un hospital terciario en Singapur.
• Inclusión de 816 CXR frontales de adultos, con exclusión de estudios pediátricos y vistas no estándar.

Principales resultados:

• Con un umbral de 0,10, la sensibilidad aumentó al 93,2% y el valor predictivo negativo (VPN) al 91,3%, con una especificidad del 71,7%.
• La reducción del umbral de 0,15 a 0,10 mejoró la sensibilidad y el VPN, aceptable para un flujo de trabajo de triaje centrado en la seguridad.
• La compensación priorizó la minimización de los falsos negativos, crucial para la seguridad en la atención primaria.

Conclusiones:

• La optimización del umbral es fundamental para adaptar los modelos de IA a los flujos de trabajo clínicos.
• El ajuste del umbral operativo permite priorizar la sensibilidad y el VPN para un triaje seguro asistido por IA.
• Los esfuerzos colaborativos entre los equipos de radiología y clínicos son esenciales para una implementación eficaz de la IA en la atención primaria.