Método con IA disminuye la exposición a la radiación debido a los exámenes de TC

Los ingenieros del Instituto Politécnico de Rensselaer (Troy, NY, EUA) trabajaron junto con los radiólogos del Hospital General de Massachusetts (Boston, MA, EUA) y la facultad de medicina de Harvard (Boston, MA, EUA), para demostrar que el aprendizaje automático tiene el potencial de perfeccionar enormemente la imagenología médica, en particular la tomografía computarizada (TC), reduciendo la exposición a la radiación y mejorando la calidad de las imágenes. El equipo cree que los nuevos hallazgos de su investigación son un caso sólido para aprovechar el poder de la inteligencia artificial (IA) para mejorar las tomografías computarizadas de baja dosis.

En los últimos años, ha habido un enfoque importante en las técnicas de tomografía computarizada de baja dosis para aliviar las preocupaciones sobre la exposición de los pacientes a la radiación de rayos X asociada al uso generalizado de las tomografías computarizadas. Sin embargo, reducir la radiación puede afectar la calidad de la imagen. Ingenieros de todo el mundo han intentado resolver este problema diseñando técnicas de reconstrucción iterativas para ayudar a detectar y eliminar las interferencias de las imágenes de TC. Sin embargo, el inconveniente es que estos algoritmos a veces eliminan información útil o alteran falsamente la imagen.

En la última investigación, el equipo intentó abordar este desafío persistente utilizando un marco de aprendizaje automático. Desarrollaron una red neuronal profunda dedicada y compararon sus mejores resultados con lo mejor de lo que tres de los principales escáneres de TC comerciales podrían producir con técnicas de reconstrucción iterativas. Los investigadores buscaban determinar cómo se utilizaba clínicamente el desempeño de su enfoque de aprendizaje profundo en comparación con los algoritmos iterativos representativos seleccionados. Descubrieron que los algoritmos de aprendizaje profundo desarrollados por el equipo de Rensselaer funcionaron tan bien como, o mejor que, las técnicas iterativas actuales en la mayoría de los casos.

Los investigadores también encontraron que su método de aprendizaje profundo era mucho más rápido y permitía a los radiólogos afinar las imágenes según los requisitos clínicos. Según los investigadores, los resultados positivos se obtuvieron sin acceso a los datos originales o sin procesar de todos los escáneres de tomografía computarizada, y es probable que un algoritmo de aprendizaje profundo más especializado se desempeñe aún mejor si se dispone de datos de tomografía computarizada originales. Creen que estos resultados confirman que el aprendizaje profundo podría ayudar a producir imágenes de TC más seguras y exactas, a la vez que se ejecuta más rápidamente que los algoritmos iterativos.

“La dosis de radiación ha sido un problema importante para los pacientes a quienes les realizan tomografías computarizadas. Nuestra técnica de aprendizaje automático es superior o, al menos, comparable a las técnicas iterativas utilizadas en este estudio para permitir la tomografía computarizada de baja radiación”, dijo Ge Wang, profesor de la cátedra Clark y Crossan de ingeniería biomédica en Rensselaer y un autor correspondiente en este artículo. “Es una conclusión de alto nivel que lleva un mensaje poderoso. Es hora de que el aprendizaje automático despegue rápidamente y, con suerte, se haga cargo”.

Enlace relacionado:
Instituto Politécnico de Rensselaer
Hospital General de Massachusetts
Facultad de Medicina de Harvard