Estimación de colapso pulmonar en tomografía de impedancia eléctrica basada en aprendizaje profundo: un estudio de...

Área de la Ciencia:

• Imagenología Médica
• Inteligencia Artificial
• Neumología

Sus antecedentes:

• La ventilación mecánica puede causar lesiones pulmonares debido a una distribución desigual del aire.
• La tomografía de impedancia eléctrica (TIE) monitoriza la ventilación pulmonar regional junto a la cama del paciente.
• La evaluación actual del Grado de Colapso Pulmonar (DoLC) utilizando la Inhomogeneidad Global (GI) está limitada por la segmentación pulmonar.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje profundo para la estimación automatizada de DoLC a partir de imágenes de TIE.
• Superar las limitaciones de la segmentación pulmonar en la evaluación tradicional de DoLC.
• Proporcionar una solución más consistente y automatizada para la monitorización de la función pulmonar en tiempo real.

Principales métodos:

• Se diseñó un modelo de aprendizaje profundo para estimar directamente el DoLC a partir de imágenes de TIE.
• El modelo se entrenó con conjuntos de datos sintéticos que simulaban diversas condiciones pulmonares.
• El rendimiento se evaluó utilizando simulaciones numéricas y pruebas con fantasma.

Principales resultados:

• El marco de aprendizaje profundo logró una alta precisión en la estimación de DoLC.
• El modelo demostró una tasa de error del 5% tanto en pruebas numéricas como con fantasma.
• El método propuesto elimina la necesidad de segmentación pulmonar.

Conclusiones:

• El aprendizaje profundo ofrece un método robusto y automatizado para la evaluación de DoLC utilizando TIE.
• Este enfoque mejora la fiabilidad y la eficiencia de la monitorización de la función pulmonar en tiempo real.
• La tecnología tiene el potencial de reducir la lesión pulmonar inducida por el ventilador.