Aprendizaje profundo funciona tan bien como radiólogos en análisis del hígado por ultrasonido

La esteatosis hepática implica la acumulación de vacuolas de grasa en las células del hígado y se evalúa mediante grados de esteatosis, donde los grados más altos indican peores resultados de salud. Los investigadores ahora han descubierto que las tecnologías de aprendizaje profundo aplicadas al ultrasonido en modo B pueden categorizar estos grados con la misma eficacia que los especialistas humanos.

Los científicos del Centro de Investigación Du Chum (Montreal, Canadá) han demostrado que el aprendizaje profundo iguala la capacidad de los radiólogos para identificar y clasificar la esteatosis hepática mediante ultrasonido, a pesar de las limitaciones inherentes de la tecnología para obtener imágenes de la grasa en el hígado. Los investigadores también destacaron que estudios anteriores no han comparado suficientemente el rendimiento del aprendizaje profundo con el de expertos humanos que utilizan el mismo conjunto de datos de prueba. Para su experimento, el equipo se centró en la eficacia tanto de los radiólogos como de los algoritmos de aprendizaje profundo para clasificar la esteatosis hepática en pacientes con enfermedad del hígado graso no alcohólico, utilizando los resultados de la biopsia como punto de referencia.

Los investigadores emplearon el modelo de aprendizaje profundo VGG16, conocido por su profundidad "moderada" y capacidades previamente entrenadas en el conjunto de datos de ImageNet. También utilizaron cinco validaciones cruzadas durante la fase de entrenamiento. En el estudio participaron 199 participantes, con una edad promedio de 53 años; 101 eran hombres y 98 mujeres. El algoritmo de aprendizaje profundo exhibió valores de AUC (área bajo la curva) más altos al distinguir entre los grados de esteatosis de 0 y 1 y tuvo un rendimiento comparable para grados más altos de la afección. Para esta prueba se utilizó un subconjunto de 52 pacientes.

El estudio también reveló que la concordancia entre radiólogos varió: 0,34 para los grados S0 frente a S1 o superiores, 0,3 para los grados S0 o S1 frente a S2 o S3, y 0,37 para los grados S2 o inferiores frente a S3. En comparación, el modelo de aprendizaje profundo tuvo valores de AUC significativamente más altos en 11 de 12 lecturas para la categoría S0 frente a S1 o superior (p <0,001). No hubo diferencias significativas en el rango S0 o S1 versus S2 o S3, mientras que para los grados S2 o inferiores versus S3, el modelo de aprendizaje profundo superó las lecturas humanas en un caso (P = 0,002). Los investigadores concluyeron que estos resultados justifican la realización de más estudios multicéntricos para confirmar la eficacia de los modelos de aprendizaje profundo en el diagnóstico de la esteatosis hepática mediante ultrasonido en modo B.

"El desempeño de nuestro modelo sugiere que el aprendizaje profundo puede usarse para la detección oportunista de esteatosis con el uso de ultrasonido en modo B en escáneres de diferentes fabricantes o incluso para estudios epidemiológicos a nivel poblacional si se implementa en grandes repositorios de imágenes regionales", afirmaron los investigadores.

Enlaces relacionados:
Centro de investigación Du Chum  

Visitar la expo >

X-ray Diagnostic System

FDX Visionary-A

Ultra-Flat DR Detector

meX+1717SCC

Digital X-Ray Detector Panel

Acuity G4

Radiation Therapy Treatment Software Application

Elekta ONE