Un sistema nuevo de IA da prioridad a los exámenes de rayos-X del tórax con hallazgos críticos

A nivel mundial, las radiografías de tórax representan el 40% de todas las imágenes de diagnóstico y la cantidad de exámenes puede generar importantes atrasos en los centros de atención médica. El aprendizaje profundo (AP), un tipo de IA que puede ser capacitada para reconocer patrones sutiles en imágenes médicas, se considera un medio automático para reducir esta acumulación e identificar exámenes que merecen atención inmediata, especialmente en sistemas de atención médica financiados con fondos públicos.

En su estudio, los investigadores utilizaron 470.388 radiografías de tórax en adultos para desarrollar un sistema de IA que podría identificar hallazgos clave. Los informes radiológicos fueron preprocesados utilizando Procesamiento de Lenguaje Natural (NLP, por sus siglas en inglés), un algoritmo importante del sistema de IA que extrae etiquetas de texto escrito. Para cada radiografía, el sistema interno de los investigadores requirió una lista de etiquetas que indicaban qué anomalías específicas eran visibles en la imagen.

El NLP analizó el informe radiológico para priorizar cada imagen como crítica, urgente, no urgente o normal. Luego, se entrenó un sistema de inteligencia artificial para visión computacional utilizando imágenes de rayos X etiquetadas para predecir la prioridad clínica solo a partir de las apariencias. Los investigadores probaron el desempeño del sistema para la priorización en una simulación utilizando un conjunto independiente de 15.887 imágenes. El sistema de IA distingue las radiografías de tórax normales con alta exactitud. Las simulaciones mostraron que los hallazgos críticos recibieron la opinión de un radiólogo experto en 2,7 días, en promedio, con el enfoque de IA, significativamente más rápido que el promedio de 11,2 días para la práctica real.

“Los resultados iniciales reportados aquí son emocionantes, ya que demuestran que un sistema de inteligencia artificial puede ser entrenado exitosamente usando una gran base de datos radiológicos adquiridos de forma rutinaria”, dijo el coautor del estudio, Giovanni Montana, PhD., anteriormente del King's College de Londres en Londres y actualmente en la Universidad de Warwick en Coventry, Inglaterra. “Con una mayor validación clínica, se espera que esta tecnología reduzca la carga de trabajo de un radiólogo de manera significativa al detectar todos los exámenes normales, de modo que se pueda dedicar más tiempo a aquellos que requieren más atención”.

Enlace relacionado: