Un algoritmo de IA identifica las radiografías de tórax anormales

Las anomalías específicas de rayos X incluyeron un ángulo costofrénico embotado, calcificación, cardiomegalia, cavidad, consolidación, fibrosis, agrandamiento del hilio, opacidad y derrame pleural, entre otros. El sistema se probó contra un análisis mayoritario de tres radiólogos, basado en un conjunto independiente, retrospectivamente recogido y sin identificación de 2.000 radiografías.

Los resultados mostraron que el sistema de IA de aprendizaje profundo fue altamente exacto en la detección de 15 anomalías en las radiografías de tórax en niveles cercanos a la identificación del radiólogo, con más del 90% de exactitud. El estudio de validación clínica de tórax se une a un estudio clínico previo que confirmó que el algoritmo de aprendizaje profundo, Qure.ai qER, puede identificar hemorragias, fracturas y otros traumas críticos en las tomografías computarizadas (TC) de cabeza, con más del 95% de exactitud. El estudio de tórax se publicó el 18 de julio de 2018 en la revista arXiv.org.

"La radiografía de tórax es una herramienta valiosa de evaluación de la salud y un componente vital de los programas de salud pública en todo el mundo. El enorme volumen producido cada año crea una demanda cada vez mayor para los radiólogos", dijo la coautora del estudio, Shalini Govil, MD, del grupo de radiología de Columbia Asia Hospitals. "Desafortunadamente, numerosas radiografías de tórax que muestran una patología significativa se dejan desatendidas en las pilas de trabajos pendientes debido a la falta de radiólogos disponibles para informarlos. A través de la semiautomatización del proceso de informe, la IA puede reducir significativamente la carga de trabajo de un radiólogo, mejorar la exactitud del informe, reducir el tiempo de respuesta y salvar vidas".

"Este es el conjunto de datos de entrenamiento más grande que se haya realizado hasta la fecha para una IA con rayos X en el tórax. También es el estudio de validación más grande hasta la fecha, medido contra 2.000 exámenes de rayos X, cada uno leído por tres radiólogos", dijo el autor principal, Prashant Warier, director ejecutivo y cofundador de Qure.ai. "Este es un momento emocionante para las tecnologías de aprendizaje profundo en medicina. A medida que estos sistemas aumentan en exactitud, también lo hará la viabilidad de usar el aprendizaje profundo para ampliar el alcance de la interpretación de los exámenes de rayos X del tórax, mejorar la eficiencia de los informes y salvar vidas".

El aprendizaje profundo es parte de una familia más amplia de métodos de aprendizaje automático de IA basados en representaciones de datos, a diferencia de los algoritmos específicos de tareas. Implica algoritmos de redes neuronales que utilizan una cascada de muchas capas de unidades de procesamiento no lineales para la extracción y transformación de características, y cada capa sucesiva utiliza la salida de la capa anterior como entrada, formando una representación jerárquica.

Enlace relacionado:
Columbia Asia Hospitals
Qure.ai