Detección de auto-supervisión fuera de distribución - Implantes metálicos y otras anomalías

Área de la Ciencia:

• Inteligencia artificial en imágenes médicas
• Aprendizaje profundo para la detección de anomalías
• Análisis de imágenes médicas

Sus antecedentes:

• Los modelos de aprendizaje profundo tienen dificultades con datos externos de TC debido a artefactos de movimiento e implantes.
• Los modelos supervisados no son prácticos para identificar anomalías diversas y no vistas (datos fuera de distribución).

Objetivo del estudio:

• Desarrollar un modelo de IA para detectar e identificar anomalías/datos fuera de distribución en exámenes de TC de abdomen y pelvis.
• Mejorar el rendimiento de las aplicaciones de IA posteriores utilizando la detección de anomalías.

Principales métodos:

• Propuesta de arquitectura generativa 2D y 3D utilizando Vector Quantized Variational Autoencoder (VQVAE) y Vision Transformer-Masked Autoencoder (VIT-MAE).
• Entrenado en más de 2850 volúmenes de TC de abdomen y pelvis (adultos >50 años) de la Clínica Mayo.
• Probado en conjuntos de datos prospectivos y externos, incluido AbdominalCT-1k.

Principales resultados:

• Los modelos generativos lograron resultados excelentes con falsos positivos insignificantes, superando a los métodos tradicionales.
• El análisis prospectivo mostró una tasa de verdaderos positivos del 86,11%, manejando anomalías poco documentadas.
• La validación externa en el conjunto de datos AbdominalCT-1k arrojó una tasa de verdaderos positivos del 75,26%.

Conclusiones:

• El método de IA detecta eficazmente datos fuera de distribución intra e interclase en imágenes de TC abdominal.
• El enfoque puede evaluar la calidad del conjunto de datos de TC, proporcionando información procesable para la curación de datos.
• El algoritmo es valioso para colaboraciones seguras en el cuidado de la salud y está disponible en GitHub.