Mientras millones de diagnóstico Los exámenes se llevan a cabo anualmente, las radiografías de tórax juegan un papel vital en el diagnóstico de varias enfermedades. Pero la utilidad de la misma puede verse limitada debido a los desafíos en la interpretación que necesitan una evaluación completa y rápida de imágenes 2D que representan procesos de enfermedades y órganos 3D complejos. A veces, las radiografías de tórax pueden pasar por alto detalles importantes, lo que resulta en resultados adversos para los pacientes.
Esfuerzos recientes han mejorado el pulmón células cancerosas detección en radiología, diagnóstico diferencial en dermatología y clasificación del cáncer de próstata en patología. Y obtener etiquetas clínicas precisas para los modelos de aprendizaje profundo para la interpretación de rayos X.
La mayoría de los esfuerzos han aplicado el procesamiento del lenguaje natural basado en reglas a los informes de radiología o se han basado en la revisión de imágenes por parte de los lectores. Eventualmente, ambos pueden introducir inconsistencias, que pueden ser problemáticas al momento de evaluar el modelo.
¡Modelos de aprendizaje profundo para resolver desafíos!
En un esfuerzo por resolver esto, los investigadores de Google ideado Artificial Intelligence modelos para detectar cuatro hallazgos en radiografías de tórax humano. Los avances en el aprendizaje automático presentan una oportunidad para crear nuevas herramientas para ayudar a los expertos a interpretar imágenes médicas. en el diario Radiología, se publicaron los modelos de aprendizaje profundo para radiografía de tórax.
El team desarrolló modelos de aprendizaje profundo para cuatro hallazgos clínicos importantes, como neumotórax (pulmones colapsados), nódulos y masas, opacidades del espacio aéreo (relleno del árbol pulmonar con material) y fracturas. Estos fueron elegidos en consulta con colegas clínicos y radiólogos para enfocarse en condiciones que son críticas para el cuidado del paciente.
Estos modelos de aprendizaje profundo se evaluaron utilizando varios miles de imágenes retenidas del conjunto de datos para las cuales se recopilaron las etiquetas de alta calidad mediante un proceso de adjudicación basado en paneles entre radiólogos certificados por la junta. Más tarde, las imágenes retenidas han sido revisadas de forma independiente por radiólogos separados para asegurarse de que sean precisas.
El team aprovechó más de 600,000 XNUMX imágenes obtenidas de dos conjuntos de datos no identificados. El primero fue desarrollado junto con coautores en los Hospitales Apollo y tiene un conjunto diverso de radiografías de tórax recopiladas durante varios años de la red de hospitales en todas las ubicaciones. El segundo ha sido publicado públicamente por los Institutos Nacionales de Salud y sirvió como un recurso vital para los esfuerzos de aprendizaje automático. Pero el mismo tiene limitaciones relacionadas con la precisión e interpretación clínica de las etiquetas disponibles.
Etiquetas estándar de referencia de alta calidad
Con el fin de generar etiquetas estándar de referencia de alta calidad para la evaluación del modelo, el team ha utilizado un proceso de adjudicación basado en un panel. En este proceso, tres radiólogos revisaron el ajuste final y las imágenes del conjunto de prueba y abordaron los desacuerdos a través de una discusión. Permitió detectar y documentar hallazgos difíciles que solo fueron detectados por un único radiólogo. Posteriormente, las discusiones se llevaron a cabo de forma anónima a través de un sistema de adjudicación o discusión en línea.
Google señala que, si bien los modelos lograron una precisión general de nivel experto, el rendimiento varió según el corpus. Por ejemplo, la sensibilidad para detectar el neumotórax entre los radiólogos fue de casi el 79 % para las imágenes de rayos X de tórax14 y solo del 52 % para los mismos radiólogos en otros conjuntos de datos.
El team espera sentar las bases para métodos excepcionales con un corpus de las etiquetas adjudicadas para el conjunto de datos ChestX-ray14 que han puesto a disposición en código abierto. esta composiciónrises 2,412 imágenes de conjuntos de entrenamiento y validación y 1,962 imágenes de conjuntos de prueba o 4,372 imágenes en total.
Foto de crear jobs 51 / Shutterstock
Estén atentos a Silicon Canals por más tecnología europea news.