El aprendizaje profundo detecta con precisión la hemorragia cerebral
7 de junio de 2018 - Un algoritmo de aprendizaje profundo puede proporcionar alta sensibilidad y especificidad para detectar hemorragia cerebral en estudios de TC craneal sin contraste, de acuerdo con una investigación presentada la semana pasada en la reunión anual de la Sociedad de Imagenología en Medicina (National Medical Institute, SIIM) en National Harbor. MARYLAND.
Después de desarrollar una arquitectura de red neuronal convolucional (CNN) para detectar la presencia de hemorragia, los investigadores encontraron que el algoritmo arrojó más del 97% de sensibilidad y especificidad en las pruebas en más de 10,000 exámenes de TC de cabeza sin contraste. A diferencia de modelos similares, el algoritmo produce alta sensibilidad y la capacidad de detectar microhemorragias punteadas menores de 0,01 ml, manteniendo una tasa de falsos positivos extremadamente baja, dijo el presentador Dr. Peter Chang, actualmente becario de neurorradiología de la Universidad de California. , San Francisco (UCSF).
"Todos los demás algoritmos publicados están optimizados para alta sensibilidad (pero con sobrediagnóstico) o alta especificidad (pero con infradiagnóstico)", dijo a AuntMinnie.com .
Además, el algoritmo ha continuado brindando altos niveles de precisión desde que fue puesto en uso clínico para exámenes de TC sin contraste realizados en la sala de emergencias de la UCSF.
Un gran conjunto de datos
Establecidos para construir un algoritmo de aprendizaje profundo que finalmente podría colocarse en uso clínico, los investigadores comenzaron recopilando una gran base de datos. Usando el procesamiento del lenguaje natural de los informes y la inspección visual de todos los exámenes, Chang y sus colegas buscaron casos de hemorragia entre los 10,159 exámenes de TC de cabeza sin contraste (más de 500,000 imágenes) adquiridos entre enero y julio de 2017 en su institución. De estos exámenes, 901 (8.9%) contenían una hemorragia, con 358 casos de hemorragia intraparenquimatosa, 319 casos de hemorragia epidural y 224 casos de hemorragia subaracnoidea de diversos tamaños.
A continuación, se crearon manualmente anotaciones de máscara de nivel de vóxel 3D para todos los casos con hemorragia, y los datos se alimentaron a una arquitectura de CNN 3D / 2D residual basada en máscara para el entrenamiento para predecir la hemorragia.
Uso clínico
Para facilitar el uso clínico del algoritmo, los investigadores también desarrollaron una herramienta separada de aprendizaje profundo que es altamente precisa para determinar los parámetros de adquisición de TC directamente a partir de los datos de imagen. Esto facilita el despliegue completo de las herramientas de análisis de imágenes y elimina la dependencia de los encabezados DICOM subyacentes para determinar qué series de imágenes deben ser revisadas por el algoritmo, según los investigadores.
Desde febrero de 2018, la herramienta de software se ha utilizado clínicamente para la interpretación en tiempo real de todos los exámenes de TC de cabeza realizados en la sala de emergencias. Los datos prospectivos de un mes de uso mostraron que el algoritmo identificó 77 (95,1%) de 81 casos totales de hemorragia y arrojó resultados similares a los obtenidos con el conjunto de datos de prueba.
Direcciones futuras
Los investigadores han recibido una exención de dispositivo de investigación (IDE) de la Administración de Drogas y Alimentos de los Estados Unidos (FDA) para integrar completamente este algoritmo en la lista de trabajo de radiología.
El Dr. Peter Chang continuará trabajando en este proyecto al asumir un nuevo cargo en julio como director de la Universidad de California, el Centro de Inteligencia Artificial en Medicina Diagnóstica de Irvine (CAIDM).