Nuevo modelo de aprendizaje automático detecta escaneos cerebrales anormales en tiempo real
Crédito: Unsplash/CC0 Dominio público
Investigadores de la Escuela de Ingeniería Biomédica y Ciencias de Imágenes del King’s College de Londres han desarrollado un marco de aprendizaje profundo basado en redes neuronales convolucionales para marcar anomalías clínicamente relevantes en el momento de la obtención de imágenes, en exploraciones de resonancia magnética de cabeza ponderadas en T2 axiales mínimamente procesadas, rutinarias y de grado hospitalario. Sus resultados fueron publicados en Medical Image Analysis.
El trabajo fue motivado por retrasos en el informe de escaneos en hospitales. La creciente demanda nacional e internacional de resonancias magnéticas, junto con la escasez de radiólogos, han llevado a un aumento en el tiempo necesario para informar las resonancias magnéticas de la cabeza en los últimos años.
Los retrasos provocan el efecto colateral de que lleva más tiempo administrar el tratamiento correcto a los pacientes y, por lo tanto, peores resultados para los pacientes y costos de atención médica inflados.
«Nuestro modelo puede reducir los tiempos de notificación de exámenes anormales al marcar con precisión las anomalías en el momento de la obtención de imágenes, lo que permite que los departamentos de radiología prioricen los recursos limitados para informar estos escaneos primero. Esto aceleraría la intervención del equipo clínico de referencia», dice el autor principal, el Dr. David Wood, investigador asociado de la Escuela de Ingeniería Biomédica y Ciencias de la Imagen.
En un estudio de simulación con datos retrospectivos del King’s College Hospital (KCH) y Guy’s and St Thomas’ NHS Foundation Trust (GSTT), los investigadores encontraron que su modelo redujo los tiempos de espera para los informes de pacientes con anomalías en aproximadamente dos semanas, de 28 días a 14 días y de 9 días a 5 días.
Los logros actuales están respaldados por un modelo reciente que aborda un problema existente que bloquea los desarrollos generales en la aplicación de profunda aprender a obtener imágenes: la dificultad de obtener conjuntos de datos grandes, clínicamente representativos y etiquetados con precisión.
Si bien es posible acceder a grandes conjuntos de datos hospitalarios, los datos generalmente no están etiquetados. El marco de aprendizaje profundo basado en redes neuronales convolucionales utilizado en el estudio actual para señalar anomalías clínicamente relevantes en el momento de la obtención de imágenes no podría haberse desarrollado sin este trabajo anterior que permitió el etiquetado de conjuntos de datos de resonancia magnética de la cabeza a escala.
En el artículo actual, otro paso adelante hacia la traducción clínica es que los investigadores utilizan resonancias magnéticas de la cabeza axiales ponderadas en T2 de grado hospitalario de rutina que se han sometido a poco procesamiento antes del análisis de clasificación.
Esto significa que las resonancias magnéticas de la cabeza pueden pueden usarse en la forma en que llegan del escáner, lo que reduce de minutos a segundos el tiempo que de otro modo se dedicaría a procesar las imágenes, pero también permite detectar más anomalías en otras áreas capturadas por la resonancia magnética de la cabeza, como enfermedades en el cráneo, y alrededor de los ojos y la nariz. La veloci El mismo equipo ahora ha creado y validado un nuevo modelo de aprendizaje automático que puede clasificar las resonancias magnéticas de la cabeza para que las exploraciones anormales puedan estar al frente de la cola para la generación de informes. El beneficio potencial para los pacientes y los sistemas de atención médica es enorme», dice el autor principal, el Dr. Thomas Booth, profesor titular de neuroimagen en la Escuela de Ingeniería Biomédica y Ciencias de la Imagen y neurorradiólogo consultor de diagnóstico e intervención en el King’s College Hospital
Explore más
Nueva herramienta de detección desarrollada para identificar automáticamente cerebros que parecen más viejos típicos de la demencia Más información: David A. Wood et al, Deep learning models for triaging hospital head MRI exams, Medical Image Analysis (2022). DOI: 10.1016/j.media.2022.102391 Proporcionado por King’s College London Cita: El nuevo modelo de aprendizaje automático detecta escaneos cerebrales anormales en tiempo real (21 de febrero de 2022) consultado el 29 de agosto de 2022 en https:// medicalxpress.com/news/2022-02-machine-flags-abnormal-brain-scans.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.