IA en el punto de atención para rayos X de tórax clasifica con precisión radiografías de tórax óptimas y subóptimas

Las radiografías de tórax (RxT) son la prueba de imagen más común y representan casi el 40 % de todos los exámenes de imagen. Esta popularidad se debe a su accesibilidad, practicidad, bajo costo y sensibilidad moderada en el diagnóstico de problemas pulmonares, mediastínicos y cardíacos. Sin embargo, existe una variabilidad significativa en la interpretación de RxT entre los radiólogos. Las imágenes de mayor calidad podrían conducir a lecturas más consistentes y confiables, pero las RxT subóptimas pueden dificultar la detección de hallazgos críticos. Ahora, los modelos de inteligencia artificial (IA) entrenados por radiólogos pueden clasificar con precisión las radiografías de tórax óptimas y subóptimas, lo que podría permitir a los radiólogos repetir exploraciones de baja calidad cuando sea necesario.

Los radiólogos del Hospital General de Massachusetts y la Facultad de Medicina de Harvard (Boston, MA, EUA) han desarrollado modelos de IA que pueden distinguir entre RxT óptimas y subóptimas y proporcionar retroalimentación sobre las razones de la clasificación como sububóptima. Esta retroalimentación, que se ofrece al frente del equipo radiográfico, podría provocar adquisiciones repetidas inmediatas cuando sea necesario. Los radiólogos utilizaron una plataforma de creación de herramientas de IA para crear su modelo que permite a los médicos desarrollar modelos de IA sin experiencia previa en ciencias de la información o programación informática. Este software podría ayudar a reducir la variabilidad entre los radiólogos.

El desarrollo del modelo involucró 3.278 RxT de cinco sitios diferentes. Un radiólogo de tórax evaluó las imágenes e identificó las razones de su calidad subóptima. Luego, estas imágenes anonimizadas se cargaron en una aplicación de servidor de IA para capacitación y pruebas. Se evaluó el rendimiento del modelo en función de su área bajo la curva (AUC) para distinguir entre imágenes óptimas y subóptimas. Las razones de la clasificación subóptima incluyeron anatomía faltante, anatomía torácica oscurecida, exposición inadecuada, volumen pulmonar bajo o rotación de pacientes. Las AUC para la precisión en cada categoría oscilaron entre 0,87 y 0,94.

El modelo demostró un rendimiento constante en todos los grupos de edad, sexos y proyecciones radiográficas diversas. Es importante destacar que, según los expertos, la categorización de subóptima no requiere mucho tiempo y se necesita menos de un segundo por radiografía por categoría para clasificar una imagen como óptima o subóptima. El equipo ha sugerido que esto podría acelerar el proceso de repetición, así como optimizar las auditorías manuales, que suelen ser laboriosas y lentas.

“Un proceso automatizado que utiliza los modelos de IA entrenados puede ayudar a rastrear dicha información en poco tiempo y proporcionar retroalimentación específica a gran escala a los tecnólogos y al departamento sobre causas específicas de la clasificación subóptima”, explicó el grupo, y agregó que a largo plazo esta retroalimentación podría reducir las tasas de repetición, ahorrando tiempo, dinero y exposiciones innecesarias a la radiación.

Enlaces relacionados:
Mass General

Visitar la expo >

Digital Radiographic System

OMNERA 300M

Portable Color Doppler Ultrasound Scanner

DCU10

Biopsy Software

Affirm® Contrast

Ultra-Flat DR Detector

meX+1717SCC