{{{sourceTextContent.title}}}

La inteligencia artificial acelera análisis de la radiografía del pecho

{{{sourceTextContent.subTitle}}}

Un sistema nuevo de la inteligencia artificial (AI) puede reducir dramáticamente el tiempo necesario para recibir una opinión experta del radiólogo sobre radiografías del pecho anormales con hallazgos críticos, demanda un nuevo estudio.

{{{sourceTextContent.description}}}

Convertido por los investigadores en College Londres (KCL de rey; Desarrollaron Reino Unido), la universidad de Warwick (Coventry, Reino Unido), y a otras instituciones, el sistema del AI usando 470.388 radiografías de pecho adultas institucionales completamente anonymized adquirieron a partir de 2007 a 2017. Los informes de acompañamiento de la radiología fueron preprocesados usando un sistema interno del proceso de lenguaje natural (NLP) que modelaba la lengua radiológica, que analizaba los informes del libre-texto para dar prioridad a cada radiografía como crítico, urgente, no-urgente, o normal.

Un conjunto de dos redes neuronales circumvolucionales profundas (CNNs) entonces fue entrenado para predecir la prioridad clínica de aspectos radiológicos solamente. El funcionamiento de sistema en la priorización de la radiografía fue probado en una simulación usando un sistema independiente de 15.887 radiografías. El funcionamiento de la predicción fue evaluado con el área debajo de la curva característica de funcionamiento de receptor, con sensibilidad, especificidad, el valor profético positivo (PPV), y el valor profético negativo (NPV) también determinado, con la intención de automatizar la información adulta en tiempo real de las radiografías de pecho basada en aspecto de la imagen.

Los resultados revelaron que las radiografías de pecho normales (usadas para diagnosticar y para supervisar una amplia gama de condiciones que afectan a los pulmones, al corazón, a los huesos, y a los tejidos suaves) fueron detectadas por el sistema del AI con una sensibilidad del 71%, especificidad del 95%, PPV del 73%, y NPV del 94%. El retraso de información medio que usaba los algoritmos fue reducido a partir de 11,2 a apenas 2,7 días para los hallazgos críticos de la proyección de imagen, y de 7,6 a 4,1 de los días para los hallazgos urgentes de la proyección de imagen, en comparación con datos históricos. El estudio fue publicado el 19 de enero de 2019, en radiología.

“Las demandas clínicas cada vez mayores en departamentos de la radiología por todo el mundo han desafiado modelos actuales del suministro de servicios. Es no más posible para muchos departamentos de la radiología con su nivel que provee de personal actual divulgar a todo el Doctor en Medicina llano adquirido de las radiografías a tiempo, llevando a las reservas grandes de estudios no denunciados,” dijo autor a Professor mayor Giovanni Montana, de la universidad de Warwick. “En el Reino Unido, se estima que en cualquier momento hay sobre 300.000 radiografías que esperan durante 30 días divulgar. Los modelos alternativos del cuidado, tales como algoritmos de la visión de ordenador, se podían utilizar para reducir grandemente retrasos en curso de identificación y actuación en radiografías anormales -- particularmente para las radiografías de pecho.”

El uso de CNN una cascada de muchas capas de unidades centrales no lineales para las imágenes u otros datos ofrecer la extracción y la transformación, con cada capa sucesiva usando la salida de la capa anterior como entrada para formar una representación jerárquica.