Aprendizaje profundo para radiografías de extremidades confundidas por etiquetas
Mapas de calor Grad-CAM para modelos de aprendizaje profundo entrenados en (A) radiografía original, muestra énfasis en la lateralidad y/o etiquetas iniciales del tecnólogo; (B) radiografía con etiqueta cubierta por un recuadro negro, muestra énfasis en las características anatómicas, como los huesos. (Los colores hacia el extremo rojo del espectro indican mayor énfasis, mientras que los colores hacia el extremo azul del espectro indican menos importancia). Crédito: American Roentgen Ray Society (ARRS), American Journal of Roentgenology (AJR)
Según un artículo elegido por el editor de acceso abierto en el American Journal of Roentgenology (AJR) de ARRS, redes neuronales convolucionales (CNN) entrenadas para identificar anomalías en las radiografías de las extremidades superiores son susceptibles a una característica de imagen omnipresente y confusa que podría limitar su utilidad clínica: las etiquetas de las radiografías.
«Recomendamos que tales posibles factores de confusión de imágenes se recopilen cuando sea posible durante la selección del conjunto de datos, y que se considere cubrir estas etiquetas durante la capacitación de CNN», escribió el autor para correspondencia Paul H. Yi del Centro Médico de Imágenes Inteligentes de la Universidad de Maryland en Baltimore.
El estudio retrospectivo de Yi y su equipo evaluó 40 561 radiografías musculoesqueléticas de las extremidades superiores del conjunto de datos MURA de Stanford que se usaron para entrenar tres clasificadores DenseNet-121 CNN. Se utilizaron tres entradas para distinguir las radiografías normales de las anormales: imágenes originales con anatomía y etiquetas; imágenes con etiquetas de lateralidad y/o tecnólogo posteriormente cubiertas por un recuadro negro; imágenes en las que se había eliminado la anatomía y solo quedaban las etiquetas.
Para las radiografías originales, el AUC era de 0,844, lo que frecuentemente enfatizaba la lateralidad y/o las etiquetas del tecnólogo para la toma de decisiones. Cubrir estas etiquetas aumentó el AUC a 0,857 (p = 0,02) y redirigió la atención de CNN de las etiquetas a los huesos. Usando solo las etiquetas, el AUC fue de 0,638, lo que indica que las etiquetas de las radiografías están asociadas con exámenes anormales.
«Si bien podemos inferir que las etiquetas están asociadas con categorías de enfermedades normales versus anormales», agregaron los autores de este artículo de AJR, «No podemos determinar el aspecto específico de las etiquetas que resultó en que fueran factores de confusión».
Explore más
Etiquetas nutricionales codificadas por colores y advertencias vinculadas a compras más saludables Más información: Paul H. Yi et al, Deep Learning Algorithms for Interpretation of Upper Extremity Radiographs: Laterality and Las etiquetas iniciales del tecnólogo como factores de confusión, American Journal of Roentgenology (2021). DOI: 10.2214/AJR.21.26882
Un suplemento electrónico de este artículo de AJR está disponible en: www.ajronline.org/doi/suppl/10 … e/21_26882_suppl.pdf Información de la revista: American Journal of Roentgenology