Análisis radiográfico con IA se asemeja al diagnóstico del cirujano ortopédico

Luego se examinaron cinco redes de aprendizaje profundo, comparando la red más exacta con un patrón para las fracturas.

Las redes de aprendizaje profundo fueron entrenadas para identificar las fracturas en dos tercios de las radiografías bajo la guía de los investigadores, y luego analizaron de forma independiente las imágenes restantes, que eran completamente nuevas para el programa de IA. El análisis se comparó con el de dos cirujanos ortopédicos experimentados que revisaron las imágenes con la misma resolución que la red. Los resultados mostraron que todas las redes exhibieron una exactitud de al menos el 90% para identificar la lateralidad, la parte del cuerpo y la vista del examen.

La exactitud final de las fracturas se calculó en un 83% para la red con mejor desempeño, lo que equivale a la de los cirujanos ortopédicos experimentados cuando se les presentaron imágenes con la misma resolución que la de la red. Según los investigadores, la IA tiene el potencial de hacerlo aún mejor si tiene acceso a mayores cantidades de datos, y por lo tanto han comenzado un estudio de seguimiento que incluirá todo el archivo ortopédico del Hospital Danderyd, de más de un millón de radiografías de alta resolución. El estudio se publicó el 6 de julio de 2017 en la revista Acta Orthopaedica.

“Nuestro estudio muestra que las redes de IA pueden hacer evaluaciones a la par con los especialistas humanos, y esperamos poder lograr resultados aún mejores con imágenes de rayos X de alta resolución”, dijo el autor principal, Max Gordon, MD, asistente consultor en ortopedia en el Hospital Danderyd. “Si podemos volver a nuestros archivos digitales, también podremos hacer extensas investigaciones sobre la supervivencia, el desarrollo de la enfermedad y la capacidad de trabajo - estudios que han sido imposibles de hacer, debido a la cantidad de datos a procesar”.

El aprendizaje profundo es parte de una familia más amplia de métodos de aprendizaje automático que se basa en las representaciones de los datos de aprendizaje, en oposición a los algoritmos específicos de tareas. Se trata de algoritmos de redes neuronales artificiales (ANN) que utilizan una cascada de muchas capas de unidades de procesamiento, no lineales, para la extracción y transformación de características, con cada capa sucesiva utilizando la salida de la capa anterior, como entrada, para formar una representación jerárquica.

Enlace relacionado:
Instituto Karolinska
el Instituto Real de Tecnología
Hospital Danderyd