La inteligencia artificial ayuda a los radiólogos a detectar aneurismas cerebrales

Una herramienta de inteligencia artificial ayuda a los radiólogos a detectar aneurismas cerebrales
LA CICERO / STANFORD NEWS SERVICE
Publicado: jueves, 13 junio 2019 11:47

MADRID, 13 Jun. (EUROPA PRESS) -

Una herramienta de inteligencia artificial, desarrollada por investigadores de la Universidad de Stanford (EEUU), podría ayudar a los radiólogos a detectar y diagnosticar aneurismas cerebrales: protuberancias en los vasos sanguíneos del cerebro que pueden filtrarse o estallar, lo que podría provocar apoplejía, daño cerebral o la muerte.

La herramienta, cuyo funcionamiento ha sido detallado en 'JAMA Network Open', lo que hace es destacar las áreas de un escáner cerebral que probablemente contengan una aneurisma. "Esta investigación es un ejemplo de cómo los humanos se mantienen involucrados en el proceso de diagnóstico, ayudado por una herramienta de inteligencia artificial", ha afirmado la estudiante graduada de Stanford en estadística y autora principal del artículo, Allison Park.

Esta herramienta, que se basa en un algoritmo llamado HeadXNet, mejoró la capacidad de los médicos clínicos para identificar correctamente los aneurismas a un nivel equivalente a encontrar seis aneurismas más en 100 exploraciones que contienen aneurismas. También, según han explicado sus creadores, mejoró el consenso entre los clínicos interpretadores.

Combinar escaneos cerebrales en busca de signos de un aneurisma puede significar desplazarse por cientos de imágenes. Los aneurismas vienen en muchos tamaños y formas y se inflan en ángulos complicados, algunos se registran como una simple señal dentro de la sucesión de imágenes de película. "La búsqueda de un aneurisma es una de las tareas más intensivas y críticas para el trabajo que realizan los radiólogos", ha explicado Kristen Yeom, profesora asociada de radiología y autora principal del artículo.

Para entrenar su algoritmo, los investigadores describieron aneurismas clínicamente significativos detectables en 611 tomografías computarizadas (TC) de angiogramas. "Etiquetamos a mano cada vóxel, el 3D equivalente a un píxel, diferenciando si era o no parte de un aneurisma", han señalado.

Después del entrenamiento el algoritmo decide para cada vóxel de una exploración si hay un aneurisma presente. El resultado final de la herramienta HeadXNet son las conclusiones del algoritmo superpuestas como un resaltado semitransparente en la parte superior de la exploración. Esta representación de la decisión del algoritmo facilita que los clínicos aún vean cómo se ven los escaneos sin la entrada de HeadXNet.

Asimismo, otros clínicos probaron HeadXNet evaluando un conjunto de 115 exploraciones cerebrales para detectar una aneurisma, una vez con la ayuda de HeadXNet y una vez sin ella. El resultado fue que con la herramienta los clínicos identificaron correctamente más aneurismas y, por lo tanto, redujeron la tasa de "pérdida".

Si bien el éxito de HeadXNet es prometedor, el equipo de investigadores ha advertido que "es necesaria más investigación para evaluar la generalización de la herramienta de inteligencia artificial antes del despliegue clínico en tiempo real, dadas las diferencias en 'Hardware' de escáner y protocolos de imagen en los diferentes centros hospitalarios".

LA HERRAMIENTA PODRÍA UTILIZARSE PARA IDENTIFICAR OTRAS ENFERMEDADES

Del mismo modo, los investigadores han asegurado que los métodos de aprendizaje automático de HeadXNet podrían ser entrenados para identificar otras enfermedades dentro y fuera del cerebro. Por ejemplo, una versión futura podría centrarse en acelerar la identificación de aneurismas después de que hallan estallado, ahorrando un tiempo muy valioso en una situación urgente.

Sin embargo, los investigadores han explicado que todavía hay obstáculos considerables en la integración de cualquier herramienta médica de inteligencia artificial en el flujo de trabajo clínico diario en radiología en los hospitales. Esto se debe a que los visores de escaneo actuales no están diseñados para funcionar con asistencia de aprendizaje profundo, por lo que los investigadores tuvieron que crear herramientas personalizadas para integrar HeadXNet en los visores de escaneo.

Debido a estos problemas, los investigadores creen que "la implementación vendrá más rápido, no solo con la automatización de la inteligencia artificial, sino con la colaboración de la inteligencia artificial y los radiólogos".