Modelo de RM con IA clasifica los tumores intracraneales comunes

Louis, MO, EUA), utilizaron 2.105 exámenes de resonancia magnética ponderadas en T1 de cuatro conjuntos de datos disponibles públicamente, divididos en capacitación (1.396), interna (361) y conjuntos de datos externos (348). Se entrenó una red neuronal convolucional (CNN) para discriminar entre exámenes sanos y aquellos con tumores, clasificados por tipo (glioma de alto grado, glioma de bajo grado, metástasis cerebrales, meningioma, adenoma hipofisario y neuroma acústico). A continuación, se evaluó el desempeño del modelo y se trazaron mapas de características para visualizar la atención de la red.

Los resultados de las pruebas internas mostraron que GradCAM logró una exactitud del 93,35% en siete clases de imágenes (una clase saludable y seis clases de tumores). Las sensibilidades variaron del 91% al 100% y el valor predictivo positivo (VPP) varió del 85% al 100%. El valor predictivo negativo (VPN) osciló entre el 98% y el 100% en todas las clases. La atención de la red se superpuso con las áreas tumorales para todos los tipos de tumores. Para el conjunto de datos de la prueba externa, que incluyó solo dos tipos de tumores (glioma de alto grado y glioma de bajo grado), GradCAM tuvo una exactitud del 91,95%. El estudio fue publicado el 11 de agosto de 2021 en la revista Radiology: Artificial Intelligence.

“Estos resultados sugieren que el aprendizaje profundo es un método prometedor para la clasificación y evaluación automatizadas de tumores cerebrales. El modelo logró una alta exactitud en un conjunto de datos heterogéneo y mostró excelentes capacidades de generalización en datos de prueba invisibles”, dijo el autor principal, Satrajit Chakrabarty, MSc, del departamento de ingeniería eléctrica y de sistemas. “Esta red es el primer paso hacia el desarrollo de un flujo de trabajo de radiología aumentado con inteligencia artificial que puede respaldar la interpretación de imágenes al proporcionar información cuantitativa y estadísticas”.

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

Enlace relacionado:
Universidad de Washington