Modelo de aprendizaje profundo utiliza rayos X de tórax para detectar enfermedades del corazón – Physics World

Modelo de aprendizaje profundo utiliza rayos X de tórax para detectar enfermedades del corazón – Physics World

Marca de tiempo: 20 de julio de 2023 5:33 a. M.

Diagnóstico de enfermedades del corazón a partir de una radiografía de tórax
Diagnóstico de enfermedades del corazón Izquierda: radiografía de tórax del conjunto de datos de prueba. Derecha: mapa de prominencia superpuesto que muestra los fundamentos de la evaluación de la función cardíaca del modelo de aprendizaje profundo. (Cortesía: Daiju Ueda, OMU)

La ecocardiografía, una ecografía del corazón, es la modalidad de imagen utilizada con más frecuencia para evaluar la función y las enfermedades cardíacas. La técnica, sin embargo, requiere habilidades especializadas que a menudo escasean. Una opción alternativa podría ser el uso de radiografías de tórax, uno de los exámenes médicos más comunes y ampliamente disponibles, empleado principalmente para el diagnóstico y tratamiento de enfermedades pulmonares. Pero mientras que el corazón es visible en las radiografías de tórax, la relación entre las radiografías de tórax y la salud cardíaca es poco conocida.

Con el objetivo de cerrar esta brecha, un equipo de investigación dirigido por Daiju Ueda de Universidad Metropolitana de Osaka ha desarrollado un modelo de aprendizaje profundo que utiliza inteligencia artificial para detectar enfermedades valvulares y clasificar la función cardíaca a partir de radiografías de tórax con una precisión sin precedentes. Los investigadores publican sus resultados en La salud digital de Lancet.

Los modelos de aprendizaje profundo que se entrenan y prueban en un solo conjunto de datos pueden ser propensos al sobreajuste, en el que el modelo final solo funciona bien para las imágenes en el conjunto de datos de entrenamiento. Para evitar esto, Ueda y sus colegas desarrollaron su modelo utilizando datos de cuatro instituciones diferentes, con un total de 22,551 16,946 radiografías de tórax más ecocardiogramas asociados recopilados de XNUMX XNUMX pacientes.

Los investigadores utilizaron 17,293 radiografías de tres instituciones para entrenar el modelo de aprendizaje profundo, además de 1947 radiografías de los mismos sitios como conjuntos de datos de prueba internos. Para las pruebas externas, emplearon 3311 radiografías de 2617 pacientes en una institución separada.

Después de etiquetar las radiografías de tórax utilizando los informes de ecocardiografía como datos reales, los investigadores entrenaron su modelo para aprender las características que conectan los dos conjuntos de datos. Examinaron seis tipos de enfermedad cardíaca valvular: insuficiencia mitral, estenosis aórtica, insuficiencia aórtica, estenosis mitral, insuficiencia tricuspídea e insuficiencia pulmonar, clasificando la gravedad de cada enfermedad como ninguna, leve, moderada o grave. También clasificaron tres medidas de la función cardíaca: fracción de eyección del ventrículo izquierdo, velocidad de regurgitación tricuspídea y dilatación de la vena cava inferior.

Para evaluar el rendimiento diagnóstico de su modelo de aprendizaje profundo, los investigadores calcularon el área bajo la curva característica operativa del receptor (AUC) para nueve clasificadores primarios: un punto de corte de no leve frente a moderado o grave para cada una de las seis enfermedades cardíacas valvulares, más puntos de corte del 40 % para la fracción de eyección del ventrículo izquierdo, 2.8 m/s para la velocidad de regurgitación tricuspídea y 21 mm para la dilatación de la vena cava interior, para los conjuntos de datos de prueba internos y externos.

El equipo descubrió que el modelo podía clasificar con precisión las funciones cardíacas y las enfermedades cardíacas, información que generalmente se obtiene de la ecocardiografía, utilizando información de las radiografías de tórax. Las AUC medias generales para los clasificadores primarios fueron 0.89, 0.90 y 0.92 para los conjuntos de datos de prueba interna y 0.87 para el conjunto de datos de prueba externa (los valores más cercanos a 1 indican una mejor clasificación).

Centrándose en el conjunto de datos de prueba externo, el modelo podría categorizar con precisión los seis tipos de enfermedad cardíaca valvular, con AUC que oscilan entre 0.83 y 0.92. El AUC para clasificar la fracción de eyección del ventrículo izquierdo fue de 0.92, mientras que el AUC para la velocidad de regurgitación tricuspídea y la dilatación de la vena cava interior fue de 0.85.

"Hasta donde sabemos, este estudio es el primero en crear y validar un modelo de clasificación basado en el aprendizaje profundo para las funciones cardíacas y la enfermedad cardíaca valvular utilizando radiografías de tórax de múltiples instituciones", escriben los investigadores.

Señalan que el modelo tiene varias ventajas sobre la evaluación de enfermedades cardíacas basada en ecocardiografía. Las radiografías de tórax son fáciles y rápidas de registrar y el modelo se puede aplicar rápidamente con requisitos computacionales bajos. Después de su implementación inicial, el modelo podría usarse sin ninguna habilidad especializada y en cualquier momento. Además, debería ser posible utilizar radiografías de tórax existentes para proporcionar información sobre la función cardíaca cuando sea necesario, sin necesidad de pruebas adicionales.

“Nos tomó mucho tiempo llegar a estos resultados, pero creo que esta es una investigación importante”, dice Ueda en un comunicado de prensa. “Además de mejorar la eficiencia de los diagnósticos de los médicos, el sistema también podría usarse en áreas donde no hay especialistas, en emergencias nocturnas y para pacientes que tienen dificultades para someterse a una ecocardiografía”.

"En el futuro, esperamos evaluar la aplicabilidad de nuestro modelo en el mundo real en varios entornos clínicos", dice la coautora Shannon Walston. Mundo de la física. “Es crucial para nosotros comprender cómo nuestro modelo basado en IA se puede integrar sin problemas en los flujos de trabajo clínicos y cómo puede contribuir a mejorar la atención al paciente”.

Sello de tiempo:

Mas de Mundo de la física