Un sistema basado en inteligencia artificial podría ayudar a clasificar las resonancias magnéticas cerebrales

Por Barbara Domb.

Abril 2021

Los investigadores desarrollaron un sistema impulsado por IA para su uso como herramienta de clasificación en la evaluación de resonancias magnéticas cerebrales.

Los investigadores capacitaron y validaron el algoritmo con datos de más de 9,000 exámenes de resonancia magnética.

El modelo tiene el potencial de beneficiar aún más la atención ambulatoria al identificar hallazgos incidentales.

 

OAK BROOK, Ill. (17 de Marzo de 2021) - Un sistema impulsado por inteligencia artificial que rastrea automáticamente las resonancias magnéticas del cerebro en busca de anomalías podría acelerar la atención de quienes más la necesitan, según un estudio publicado en Radiology: Artificial Intelligence.

 

La resonancia magnética produce imágenes detalladas del cerebro que ayudan a los radiólogos a diagnosticar diversas enfermedades y daños por eventos como un derrame cerebral o una lesión en la cabeza. Su uso cada vez mayor ha provocado una sobrecarga de imágenes que presenta una necesidad urgente de mejorar el flujo de trabajo radiológico. La identificación automática de hallazgos anormales en imágenes médicas ofrece una solución potencial, lo que permite una mejor atención al paciente y un alta acelerada del paciente.

Figura 1

Figura 1. Ejemplos de secuencias FLAIR axiales de estudios dentro del conjunto de datos A. De izquierda a derecha: un paciente con un cerebro "probablemente normal"; un paciente que presenta una hemorragia intraparenquimatosa en el lóbulo temporal derecho; un paciente que presenta un infarto agudo de la división inferior de la arteria cerebral media derecha; y un paciente con neurocisticercosis conocida que presenta una lesión quística redondeada en la circunvolución frontal media izquierda.

"Hay un número creciente de resonancias magnéticas que se realizan, no solo en el hospital sino también para pacientes ambulatorios, por lo que existe una necesidad real de mejorar el flujo de trabajo de radiología", dijo el coautor principal del estudio, Romane Gauriau, Ph.D., ex machine learning en aprendizaje en el Hospital General de Massachusetts y el Centro de Ciencia de Datos Clínicos del Hospital Brigham and Women's en Boston. "Una forma de hacerlo es automatizar parte del proceso y también ayudar al radiólogo a priorizar los diferentes exámenes".

Figura 2

Figura 2. Distribución de patología en (a) conjunto de datos A, (b) conjunto de datos B y (c) conjunto de datos C utilizando anotaciones del informe. Se indica en verde el porcentaje de anotaciones en las que las etiquetas derivadas de la imagen de RM de recuperación de inversión atenuada por fluido solo coincidían con las etiquetas del informe. Nota sobre la obtención de imágenes "casi normal" y otras patologías que se clasifican como probablemente anormales.

 

La Dra. Gauriau, junto con el coautor principal Bernardo C. Bizzo, MD, Ph.D. y colegas, y en asociación con Diagnosticos da America SA (DASA), una empresa de diagnóstico médico en Brasil, desarrollaron un sistema automatizado para clasificar resonancias magnéticas cerebrales como "probablemente normales" o "probablemente anormales". El enfoque se basa en una red neuronal convolucional (CNN), un tipo sofisticado de IA que permite que el modelo aprenda directamente de las imágenes.

 

Los investigadores entrenaron y validaron el algoritmo en tres grandes conjuntos de datos que totalizan más de 9,000 exámenes recolectados de diferentes instituciones en dos continentes diferentes.

En las pruebas preliminares, el modelo mostró un rendimiento relativamente bueno para diferenciar los exámenes probablemente normales o anormales. Las pruebas en un conjunto de datos de validación adquiridos en un período de tiempo diferente y de una institución diferente a los datos utilizados para entrenar el algoritmo resaltaron la capacidad de generalización del modelo. Tal sistema podría usarse como una herramienta de clasificación, según la Dra. Gauriau, con el potencial de mejorar el flujo de trabajo de radiología.

Figura 3

Figura 3. Curvas características de funcionamiento del receptor para los modelos A, B y A + B en (a) Test A y Test B, así como en (b) Test C. Las etiquetas de anotación de FLAIR (izquierda) y las etiquetas de anotación de informes de radiología (derecha) se utilizaron como verdad básica. Los puntos muestran los valores correspondientes a un umbral de 0,5.

"El problema que estamos tratando de abordar es muy, muy complejo porque hay una gran variedad de anomalías en la resonancia magnética", dijo. "Demostramos que este modelo es lo suficientemente prometedor como para comenzar a evaluar si se puede utilizar en un entorno clínico".

 

Se ha demostrado que modelos similares mejoran significativamente el tiempo de respuesta para la identificación de anomalías en las tomografías computarizadas de la cabeza y las radiografías de tórax. El nuevo modelo tiene el potencial de beneficiar aún más la atención ambulatoria al identificar hallazgos incidentales. Un hallazgo incidental es una anomalía que no está relacionada con la razón por la que el médico ordenó la prueba.

 

"Digamos que se cayó y se golpeó la cabeza, luego fue al hospital y ordenaron una resonancia magnética del cerebro", dijo la Dra. Gauriau. "Este algoritmo podría detectar si tiene una lesión cerebral por la caída, pero también puede detectar un hallazgo inesperado, como un tumor cerebral. Tener esa capacidad realmente podría ayudar a mejorar la atención al paciente".

 

El trabajo fue el primero de su tipo en aprovechar un conjunto de datos grande y clínicamente relevante y utilizar datos de resonancia magnética de volumen completo para detectar anomalías cerebrales generales. Los próximos pasos en la investigación incluyen evaluar la utilidad clínica del modelo y el valor potencial para los radiólogos. A los investigadores también les gustaría desarrollarlo más allá de las salidas binarias de "probablemente normal" o "probablemente anormal".

 

"De esta manera, no solo podríamos tener resultados binarios, sino quizás algo para caracterizar mejor los tipos de hallazgos, por ejemplo, si es más probable que la anomalía esté relacionada con un tumor o con una inflamación", dijo la Dra. Gauriau. "También podría ser muy útil con fines educativos".

 

Actualmente se está realizando una evaluación adicional en un entorno clínico controlado en Brasil con los colaboradores de investigación de DASA.

 

"Un modelo basado en el aprendizaje profundo para detectar anomalías en la resonancia magnética del cerebro para la clasificación: resultados preliminares de una experiencia en varios sitios". Colaborando con los Dres. Gauriau y Bizzo fueron Felipe C. Kitamura, MD, Ph.D., Osvaldo Landi Junior, MD, Suely F. Ferraciolli, MD, Fabiola BC Macruz, MD, Ph.D., Tiago A. Sanchez, Ph.D., Marcio RT García, MD, Leonardo M. Vedolin, MD, Ph.D., Romeu C. Domingues, MD, Emerson L. Gasparetto, MD, Ph.D. y Katherine P. Andriole, Ph.D.