Herramienta previa a la detección por resonancia magnética basada en IA detecta con precisión dispositivos electrónicos implantados sin cables

Los DEISC intratorácicos no solo pueden ayudar en la estimulación cardíaca, sino que también permiten la monitorización de la actividad cardiovascular y electrofisiológica, y la fisiología no cardiovascular. Sin embargo, su posterior detección e identificación (ubicación, categoría general, tipo específico, etc.) es crítica, especialmente antes de situaciones como las exploraciones de imágenes por resonancia magnética (MRI) que involucran exposiciones electromagnéticas y de radiofrecuencia.

En la evaluación de seguridad previa a la resonancia magnética, los métodos existentes que involucran la interacción directa entre el paciente y el médico, los registros médicos electrónicos (EMR) y la radiografía de tórax (RxT) brindan información limitada e inadecuada. Por lo tanto, son insuficientes para el reconocimiento de DEISC en evolución, de uso infrecuente y mucho más pequeños. Además, el problema se ve agravado por el tamaño pequeño de los DIESC, la técnica de detección subóptima, la borrosidad relacionada con el movimiento y las similitudes en la apariencia. Los DEISC pueden pasarse por alto fácilmente en una RxT durante situaciones de emergencia. Además, la imposibilidad de saber si un DEISC es un marcapasos o una grabadora puede poner al paciente en un riesgo considerable durante la resonancia magnética. Aunque ambos se consideran "condicionales para IRM", el marcapasos requiere un dispositivo de cardiología y la supervisión del paciente antes y después, y posiblemente durante, el examen de IRM.

En respuesta a la necesidad de una detección rápida y precisa de los DEISC previo a la detección por resonancia magnética, los investigadores de SPIE (Bellingham, WA, EUA) habían desarrollado previamente un modelo basado en inteligencia artificial (IA). En un estudio reciente, el equipo de investigación evaluó la preparación y los requisitos previos operativos de este modelo con el objetivo de avanzar hacia aplicaciones del mundo real. Para la evaluación previa a la implementación, el equipo utilizó una metodología en cascada de dos niveles que comprende la detección de DEISC (nivel 1) seguida de la clasificación (nivel 2). Realizaron una validación cruzada quíntuple durante el nivel 1 para evaluar la durabilidad del "Modelo DEISC original", que inicialmente comprende nueve categorías de DEISC. Para imitar las pruebas del mundo real, aplicaron además el modelo de IA en cascada de dos niveles en 150 nuevas imágenes de RxT de pacientes más nuevos seleccionados al azar, y ya revelaron tres nuevas categorías de DEISC.

Además, el equipo incorporó algunos desarrollos técnicos esenciales para facilitar la implementación en el mundo real de su modelo de IA. Estos incluyeron una plataforma de visualización Zero-Footprint (ZF GUI/Viewer) para imágenes, informes estructurados DICOM (DICOM-SR) para permitir la adjudicación de resultados por inferencia del usuario final y, lo que es más importante, el aprendizaje continuo con la adición de los 3 nuevos tipos de DEISC para crear un "Modelo DEISC actualizado" de 12 clases. Luego usaron nuevos casos adicionales para probar más este modelo usando la metodología de dos niveles.

El estudio de nivel 1 arrojó una sensibilidad de detección/ubicación del 100 % de los DEISC para los modelos de clase 9 y clase 12, y su durabilidad fue atestiguada aún más por la validación cruzada quíntuple. En el nivel 2, ambos modelos lograron una precisión muy alta en la identificación del tipo de DEISC (categoría de seguridad de IRM y tipo específico). Si bien ningún DEISC permaneció sin detectar en el nivel 1, los pocos casos de identificación errónea que ocurrieron en el nivel 2 se atribuyeron a una calidad de imagen subóptima. Sorprendentemente, el modelo de IA no identificó erróneamente ninguno de los DEISC "estrictamente condicionales para RM" o "inseguros para RM".

Centrándose en imitar las condiciones del mundo real para validar su modelo, el equipo incorporó el aprendizaje continuo, el entrenamiento y la modernización de los modelos de IA basados en la experiencia del usuario final. Este fue el primer estudio de este tipo en informar sobre la detección e identificación radiográficas de DEISC basadas en IA. En el futuro, los investigadores planean capitalizar estos resultados y lanzar el modelo de IA en un entorno clínico relevante. También esperan abordar las limitaciones de este estudio mediante el reentrenamiento y el ajuste del modelo de IA en el futuro.

“Los DEISC abarcan un espectro de categorías en función de su seguridad de exposición a la resonancia magnética, desde ser 'condicionales para resonancia magnética' hasta ser 'inseguros para resonancia magnética'. Nuestro modelo de IA para reconocer DEISC en constante evolución se basa en la clasificación de DEISC obtenida a partir de la identificación y el etiquetado de regiones de interés a partir de datos retrospectivos o futuros de RxT de toda la organización”, explicó Richard D. White, eminente radiólogo de la Clínica Mayo Florida, quien dirigió la investigación. “Si bien el valor real del modelo de IA solo se puede evaluar en un entorno clínico real, estos resultados albergan optimismo a favor de implementar el modelo de IA en un futuro cercano para ayudar a los radiólogos a realizar una evaluación previa a la detección para la seguridad del paciente”.

Enlaces relacionados:
SPIE