Herramienta automática de IA de aprendizaje profundo que mide el volumen de los ventrículos cerebrales en resonancias magnéticas en niños
Modelo de aprendizaje profundo (azul) y segmentación manual de datos básicos (verde) de imágenes de RM potenciadas en T2 de control representativo (izquierda) e hidrocefalia (derecha). Crédito: (c) 2020 AANS.
Investigadores de varias instituciones de América del Norte han desarrollado una herramienta clínica de inteligencia artificial de aprendizaje profundo (DL) totalmente automatizada que puede medir el volumen de los ventrículos cerebrales en imágenes de resonancia magnética (IRM) en niños en unos 25 minutos. La capacidad de rastrear el volumen ventricular a lo largo del tiempo en un entorno clínico resultará invaluable en el tratamiento de niños y adultos con hidrocefalia. Los detalles sobre el desarrollo de la herramienta y su validación se informan hoy en un nuevo artículo, «Inteligencia artificial para la segmentación automática del ventrículo cerebral y el cálculo del volumen: una herramienta clínica para la evaluación de la hidrocefalia pediátrica», por Jennifer L. Quon, MD, y colegas, en el Journal of Neurosurgery: Pediatrics.
La hidrocefalia es una condición patológica causada por una cantidad excesiva de líquido cefalorraquídeo (LCR) en las cámaras del cerebro conocidas como ventrículos. La condición resulta de un desequilibrio entre la producción y la absorción de LCR. La hidrocefalia se denomina «comunicante» cuando el LCR puede pasar de un ventrículo a otro y «obstructiva» cuando se bloquea el paso de un ventrículo a otro. La prevalencia de hidrocefalia pediátrica es de aproximadamente seis de cada 10.000 nacidos vivos. Se le ha llamado «el problema neurológico corregible quirúrgicamente más común en bebés, niños y adolescentes».
El diagnóstico de hidrocefalia se basa en los signos y síntomas clínicos, así como en los hallazgos de ventrículos agrandados en estudios de neuroimagen. La colocación de una derivación (un sistema de drenaje interno que drena el exceso de LCR del cerebro) es el procedimiento quirúrgico más común que se realiza para reducir la hidrocefalia. Después de la cirugía, los pacientes deben ser monitoreados periódicamente para garantizar que la derivación continúe funcionando correctamente. Los cambios en el volumen ventricular pueden guiar la toma de decisiones clínicas. Sin embargo, hasta la fecha, las evaluaciones precisas del volumen ventricular pueden llevar mucho tiempo o requerir herramientas automatizadas de nivel de investigación que no se adaptan fácilmente a la visita clínica del paciente.
Los autores de este estudio buscaron desarrollar un análisis profundo automatizado -Modelo basado en aprendizaje (DL) que podría usarse para evaluar los cambios en el volumen de los ventrículos cerebrales a lo largo del tiempo en niños con hidrocefalia durante sus visitas a la clínica. El aprendizaje profundo es una forma avanzada de inteligencia artificial que imita el funcionamiento del cerebro humano; es capaz de procesar grandes cantidades de datos y crear patrones utilizados en la toma de decisiones. El objetivo de los autores era crear una herramienta de DL que funcionara de manera eficiente en múltiples instituciones con varias máquinas de resonancia magnética clínica de diferentes fabricantes.
Para desarrollar y validar el modelo, los autores seleccionaron conjuntos de resonancias magnéticas potenciadas en T2 de un grupo de 200 pacientes pediátricos (22 años de edad o menos) que habían presentado hidrocefalia obstructiva aguda. Las resonancias magnéticas ponderadas en T2 tienen un amplio uso clínico, pero por lo general no se utilizan para determinar el volumen ventricular. Los pacientes de este grupo habían sido tratados en una de cuatro instituciones: Lucile Packard Children’s Hospital Stanford; Hospital de Niños de Seattle; el Hospital de Niños Enfermos; y el Hospital de Niños de Dayton. Para un grupo de control, los autores seleccionaron 200 conjuntos de resonancias magnéticas ponderadas en T2 de 199 pacientes pediátricos neurológicamente intactos. También se revisaron las resonancias magnéticas tridimensionales ponderadas en T1, que se habían obtenido en todos los controles y en un subgrupo de pacientes con hidrocefalia. Las resonancias magnéticas ponderadas en T1 tridimensionales se usan comúnmente para el análisis volumétrico, pero no están fácilmente disponibles en la clínica.
Los 400 conjuntos de resonancias magnéticas ponderadas en T2 se separaron para su uso en varios pasos del estudio: entrenamiento ( 266 juegos de resonancia magnética) y optimización (67 juegos de resonancia magnética) del modelo DL, y una prueba retenida (67 juegos de resonancia magnética) para la evaluación final del rendimiento del modelo. En un estudio separado, los autores también estudiaron la posibilidad de generalizar el modelo de DL y su utilidad clínica utilizando resonancias magnéticas ponderadas en T2 que se obtuvieron prospectivamente en nueve pacientes en el Utah Primary Children’s Hospital.
El modelo de DL se diseñó para producir la segmentación automática del ventrículo (delineación de los bordes del ventrículo en las imágenes) y el cálculo del volumen. Para examinar la eficiencia del modelo, los autores compararon estos dos procesos con el estándar de oro de segmentación manual y cálculo de volumen y con el uso del software de investigación FreeSurfer. Los autores utilizaron el coeficiente de similitud de Dice (0 a 1) para evaluar la precisión de la segmentación y la regresión lineal para evaluar el cálculo del volumen.
Según los autores, en comparación con la segmentación manual, «la segmentación del modelo se realizó con un Dice general puntuación de 0,901 (0,946 en hidrocefalia, 0,856 en controles).» Estos números muestran una gran precisión, con una precisión aún mayor evidente cuando se utilizan en pacientes con hidrocefalia. Cuando se utilizó para evaluar la precisión de la segmentación en los pacientes del Utah Primary Children’s Hospital, la puntuación de Dice fue de 0,926.
Los autores encontraron una fuerte correlación entre los cálculos de volumen ventricular realizados con el modelo DL y el cálculo frontal-occipital determinado manualmente. proporción de cuernos (r2 = 0,92) e índice de Evans, una proporción de cuernos frontales (r2 = 0,79). Estos cálculos se realizaron mediante resonancias magnéticas potenciadas en T2.
El modelo DL fue más preciso y mucho más rápido que el software FreeSurfer, que «tardó de 8,2 a 207,3 horas (mediana de 20,3 horas) para la segmentación del ventrículo y la producción de volumen, en comparación con 1,48 segundos por escaneo de paciente para el modelo DL».
Este trabajo aún es preliminar. La evidencia proporcionada con el modelo DL todavía requiere correlación con los síntomas de los pacientes, y se necesita más trabajo para evaluar el modelo DL cuando se usa con otros tipos de hidrocefalia. No obstante, los autores concluyen: «Con una salida volumétrica casi inmediata y un rendimiento confiable en todos los tipos de escáneres institucionales, este modelo se puede adaptar a la evaluación clínica en tiempo real de la hidrocefalia y mejorar el flujo de trabajo del médico».
Cuando se le preguntó sobre los hallazgos del estudio, los Dres. Edwards y Yeom respondieron: «Han pasado más de 100 años desde que Dandy desarrolló la ventriculografía para visualizar el sistema ventricular. Nuestro objetivo era desarrollar un programa rápido y confiable utilizando tecnología de IA [inteligencia artificial] que sea rápida, precisa y desplegable en múltiples plataformas de imágenes. Tener volúmenes ventriculares definitivos eliminará el trabajo y la imprecisión en la medición y comparación del tamaño ventricular a lo largo del tiempo y debería permitir decisiones más precisas en el manejo de pacientes con hidrocefalia y otras patologías del volumen del LCR. Nuestro objetivo en el futuro es validar nuestra técnica clínicamente para para llevar esta técnica al uso clínico y de investigación de rutina. Nuestra esperanza es que esta tecnología proporcione información más precisa y confiable para permitir a los médicos tomar mejores decisiones de manejo en pacientes con hidrocefalia y, por lo tanto, mejorar la atención y los resultados del paciente».
Explorar más
Comparación de algoritmos de segmentación para la detección de infarto de miocardio Más información: Inteligencia artificial para segmentación automática de ventrículos cerebrales y cálculo de volumen: una herramienta clínica para la evaluación de hidrocefalia pediátrica. Revista de Neurocirugía: Pediatría (2020). DOI: 10.3171/2020.6.PEDS20251 , thejns.org/doi/full/10.3171/2020.6.PEDS20251 Información de la revista: Journal of Neurosurgery: Pediatrics
Proporcionado por Journal of Neurosurgery Citation: La herramienta automática de IA de aprendizaje profundo mide el volumen de los ventrículos cerebrales en resonancias magnéticas en niños (1 de diciembre de 2020) consultado el 30 de agosto de 2022 en https://medicalxpress.com/news/2020-12-automatic-deep-learning- ai-tool-volume.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.