Liberan enorme base de datos de imágenes de TC para pruebas con IA

El conjunto de datos, llamado DeepLesion, tiene más de 32.000 lesiones anotadas, identificadas en las imágenes de TC, en comparación con menos de mil lesiones en la mayoría de los conjuntos de datos de imágenes médicas disponibles públicamente. Las imágenes son de 4.400 pacientes únicos, que son socios de investigación en los NIH y han sido completamente anónimos. En 2017, el centro clínico de los NIH publicó imágenes anónimas de rayos X de tórax y sus datos correspondientes.

El centro clínico de los NIH es el hospital de investigación clínica para los NIH, la agencia de investigación médica de los EUA, que incluye 27 institutos y centros y es un componente del Departamento de Salud y Servicios Humanos de los EUA Los NIH son la principal agencia federal que realiza y respalda la investigación médica básica, clínica y traslacional e investiga las causas, los tratamientos y las curas de las enfermedades tanto comunes como raras.

Los radiólogos en el centro clínico usan una herramienta de señal electrónica para medir y marcar los hallazgos clínicamente significativos de las imágenes de TC de los pacientes. Los radiólogos guardan el sitio encontrado y marcan los hallazgos significativos, que pueden visitar nuevamente en otro momento. Estos marcadores complejos proporcionan flechas, líneas, diámetros y texto que permiten identificar la ubicación precisa y el tamaño de una lesión para facilitar que los expertos identifiquen el crecimiento o una nueva enfermedad.

Los científicos en el centro clínico de los NIH han utilizado estos marcadores, que son abundantes con datos médicos retrospectivos, para desarrollar el conjunto de datos DeepLesion. A diferencia de la mayoría de los conjuntos de datos de imágenes médicas de lesiones disponibles actualmente que solo pueden detectar un tipo de lesión, DeepLesion ofrece una mayor diversidad ya que contiene todo tipo de hallazgos de radiología crítica de todo el cuerpo, como nódulos pulmonares, tumores hepáticos, ganglios linfáticos agrandados y otros. El conjunto de datos publicado por los NIH es lo suficientemente grande como para formar una red neuronal profunda y podría permitir a la comunidad científica crear un detector de lesiones universales a gran escala con un marco unificado.

Los investigadores esperan que al hacer públicos los conjuntos de datos de imágenes médicas, otros puedan desarrollar un detector de lesiones universal que ayudará a los radiólogos a identificar todo tipo de lesiones. También puede servir como una herramienta de detección inicial y enviar sus resultados de detección a otros sistemas especializados entrenados en ciertos tipos de lesiones. DeepLesion también podría ayudar a los radiólogos a extraer y estudiar la relación entre los diferentes tipos de lesiones con el fin de hacer nuevos descubrimientos. Puede permitirles medir de forma más exacta y automática los tamaños de todas las lesiones en un paciente, lo que permite la evaluación completa del cáncer.

El centro clínico NIH planea continuar mejorando el conjunto de datos DeepLesion al recopilar más datos y aumentar aún más su exactitud de detección. Su capacidad universal de detección de lesiones se volverá más confiable luego de que los investigadores logren aprovechar la información en 3D y del tipo de lesiones. En el futuro, la aplicación DeepLesion podría ampliarse a otras modalidades de imagenología como la resonancia magnética y combinarse con datos de varios hospitales.