La inteligencia artificial acelera el análisis de los rayos X de tórax

Los informes radiológicos adjuntos se preprocesaron utilizando un sistema de procesamiento de lenguaje natural interno (NLP) que modela el lenguaje radiológico, que analizó los informes de texto libre para priorizar cada radiografía como crítica, urgente, no urgente o normal.

Luego se formó un conjunto de dos redes neuronales convolucionales profundas (CNN, por sus siglas en inglés) para predecir la prioridad clínica de las apariencias radiológicas solamente. El desempeño del sistema en la priorización de radiografías se ensayó en una simulación utilizando un conjunto independiente de 15.887 radiografías. El desempeño de la predicción se evaluó con el área bajo la curva de características operativas del receptor, determinando adicionalmente la sensibilidad, especificidad, valor predictivo positivo (VPP) y valor predictivo negativo (VPN), con la intención de automatizar las radiografías de tórax de adultos en tiempo real basadas en la apariencia de las imágenes.

Los resultados revelaron que las radiografías de tórax normales (utilizadas para diagnosticar y monitorizar una amplia gama de afecciones que afectan los pulmones, el corazón, los huesos y los tejidos blandos) fueron detectadas por el sistema de IA con una sensibilidad del 71%, una especificidad del 95%, un VPP de 73%, y un VPN del 94%. La demora promedio en el reporte de los algoritmos se redujo de 11,2 a solo 2,7 días para los hallazgos críticos de imágenes, y de 7,6 a 4,1 días para los hallazgos de imágenes urgentes, en comparación con los datos históricos. El estudio fue publicado el 19 de enero de 2019 en la revista Radiology.

“Las crecientes demandas clínicas en los departamentos de radiología de todo el mundo han desafiado los modelos actuales de prestación de servicios. Ya no es posible que muchos departamentos de radiología con su personal actual informen todas las radiografías simples adquiridas de manera oportuna, lo que lleva a grandes atrasos de estudios no informados”, dijo el autor principal, el profesor Giovanni Montana, MD, de la Universidad de Warwick. “En el Reino Unido, se estima que, en cualquier momento, hay más de 300.000 radiografías que esperan el reporte por más de 30 días. Se podrían utilizar modelos alternativos de atención, como los algoritmos de visión artificial, para reducir en gran medida los retrasos en el proceso de identificación y la actuación de radiografías anormales, en particular para las radiografías de tórax”.

Las CNN utilizan una cascada de muchas capas de unidades de procesamiento no lineales para imágenes u otra extracción y transformación de características de datos, con cada capa sucesiva utilizando la salida de la capa anterior como entrada para formar una representación jerárquica.

Enlace relacionado:
King's College de Londres
Universidad de Warwick