Modelo FALCON: Detección y Clasificación Automatizadas de Contraste Intravenoso y Partes del Cuerpo en Tomografías...

Área de la Ciencia:

• Imágenes Médicas; Inteligencia Artificial; Radiología

Sus antecedentes:

• La presencia de contraste intravenoso en exploraciones de tomografía computarizada (TC) a menudo está mal documentada en grandes conjuntos de datos.; Se necesitan herramientas automatizadas para mejorar la eficiencia y la fiabilidad de la documentación de las exploraciones de TC.

Objetivo del estudio:

• Desarrollar y validar FALCON, un modelo de aprendizaje profundo de acceso abierto para la detección automatizada de contraste intravenoso y la clasificación de partes del cuerpo en TC.; Evaluar el rendimiento de FALCON y comparar su velocidad de anotación con la de expertos humanos.

Principales métodos:

• Se entrenaron y validaron cuatro modelos de redes neuronales convolucionales (CNN) utilizando la arquitectura ResNet9 en seis conjuntos de datos independientes (3138 exploraciones de TC).; Un radiólogo verificó la verdad fundamental de la presencia de contraste.; Los modelos se integraron en una interfaz gráfica de usuario para un funcionamiento sencillo.

Principales resultados:

• El conjunto de pruebas externas (1348 exploraciones) logró altas puntuaciones F1 para la detección de contraste: 99,4 % (cabeza y cuello), 98,3 % (tórax) y 98,1 % (abdomen/pelvis).; La clasificación de partes del cuerpo logró una puntuación F1 del 100 % en datos no vistos.; FALCON superó significativamente a los expertos humanos en tiempo de anotación (por ejemplo, 1,3 s frente a 21 s para TC de cabeza y cuello).

Conclusiones:

• FALCON proporciona una solución automatizada rápida y fiable para la detección de contraste intravenoso y la clasificación de partes del cuerpo en TC.; El modelo de acceso abierto tiene el potencial de mejorar la investigación a gran escala al mejorar la eficiencia y la precisión de la anotación de datos.