Guia pràctica d'intel·ligència artificial aplicada a la imatge radiològica.

Article original: Weikert T, Cyriac J, Yang S, Nesic I, Parmar V, Stieltjes B. A Practical Guide to Artificial Intelligence-Based Image Analysis in Radiology. Invest Radiol. 2019; 55: 1-7

DOI: 10.1097 / RLI.0000000000000600

Societat: Wolters Kluwer @invRadiologyOnline

Paraules clau: artificial intelligence, machine learning, radiology, computer-assisted image processing, medical informatics, natural language processing.

Abreviatures i acrònims utilitzats: intel·ligència artificial (AI), machine learning (ML), deep Learning (DL), radiology information system (RIS), picture archiving and communication system (PACS), digital imaging and communications in medicine (DICOM), natural language processing (NLP), tomografia computeritzada (CT)

Línia editorial d'el nombre: Investigative Radiology és una publicació privada amb temàtica de recerca en ressonància magnètica, tomografia computada, ultrasò, sostracció digital i noves tecnologies. Focalitzen de manera important els seus continguts en mitjans de contrast intravenós, exploracions clíniques i theranosis. La revista és altament selectiva, amb una ràtio d'acceptació actual 14% i un factor d'impacte de 6.224.

En aquest número de gener de l'any 2020 també podem trobar articles sobre novetats en CT: adequació de dosi, DL, multienergía, experiència dels fabricants de gadolini, característiques d'algunes seqüències de RM en neuroimatge i riscos de reaccions adverses a l'administració de diferents tipus de contrast.

 

Motiu per a la selecció

Aquesta revista em sembla molt interessant, ja que fa èmfasi en la divulgació científica de temes punters en la investigació biomèdica basada en l'evidència com la intel·ligència artificial, la medicina personalitzada i la realitat virtual.

Aquest article de revisió m'ha semblat especialment atractiu ja que ofereix una temàtica en tecnologia transversal exportable a tot el diagnòstic per la imatge, no tan focalitzat en sistema.

 

Resum

L'ús d'AI és una eina molt potent d'anàlisi de la imatge mèdica que en breu serà habitual per als professionals de la diagnosi per la imatge. Cal tenir en compte que aquests mètodes han estat desenvolupats a través d'una anàlisi no-metge d'imatge i els departaments de radiologia no estan preparats per assumir els canvis que pugui ocasionar ni la fiabilitat dels mateixos.

El propòsit d'aquesta revisió pretén guiar el lector a través del univers que s'obrirà en l'anàlisi de la imatge mèdica automatitzada i així animar a la seva implementació en els departaments de radiologia. A el mateix temps, aquests objectius de revisió tenen la vocació d'habilitar els lectors a una percepció crítica de les eines d'AI aplicades a el diagnòstic per la imatge per poder avaluar les seves necessitats i planificar el seu ús.

La recerca i recuperació de dades són els dos primers passos en planificar un organigrama d'AI. Serà molt important modificar la planificació dels fluxos de treball perquè en les capçaleres DICOM figurin les dades necessàries en el PACS i que permetin a l'RIS integrar les dades rellevants de la clínica de la persona atesa. Aquestes interaccions impliquen uns processos molt complexos que han de ser auditats amb molta precisió ja que d'això depèn el diagnòstic final. Aquestes dades són les que permetran que la ML classifiqui, etiqueta i parametrice la informació. És el que s'anomena Curació dels informes de text. A la figura 1 apareix un exemple de plataforma de recerca amb dades flexibles. El sistema NLP és una solució perquè el sistema executi una extracció de la informació que permetrà l'aprenentatge artificial.

La curació de les dades d'imatge implica tres nivells de detall per etiquetar les imatges. Classificació d'imatge en bloc, detecció d'objectes i segmentació. L'objectiu de la classificació de la imatge completa és assignar etiqueta amb tipus d'estudi (per exemple, fractura assignada a radiografia). La detecció d'objectes requereix de l'assignació d'etiqueta per a cada objecte (fig 2A) on es mostra el tumor amb paràmetres de localització a través de ROI rectangulars (fig 2B). La segmentació de l'objecte (Figura 2C) permet la definició en 3D de l'objecte i la quantificació dels seus paràmetres.

Igual que en altres àrees de la ML és important diferenciar entre en entrenament, la validació i els tests de la generació de dades. L'avaluació estadística de les dades per part de la intel·ligència artificial requereix diferents mètodes:

1. Algorismes que realitzin una predicció de el tipus d'examen en una classificació.
2. Deteccions realitzades per troballes individuals basats en valors predictius, sensibilitat i especificitat (precisió científica)
3. Resultat dels treballs de segmentació per avaluar la qualitat de el teixit danyat en comparació amb el teixit perilesional

Els requisits de programari i maquinari han de ser d'alta accessibilitat per part de diferents usuaris i integrar diferents sistemes com Python, Tensor-flow, Keras o Pytorch.

Les peculiaritats de la imatge mèdica fan que les dades hagin de ser gestionats d'acord a l'organigrama que figura a la Fig 4. La manera en què els clínics, operadors i físics accedeixin i introdueixin les dades rellevants de l'exploració o historial clínic, s'han de basar en preconfigurats d'alta complexitat. El sistema encara no està preparat per al repte però aquest article revela el camí que haurem de recórrer perquè les automatitzacions en el diagnòstic final siguin realment un suport fiable per als estudis negatius.

 

Valoració personal

L'article és de gran actualitat ja que ofereix una visió pragmàtica de les llums i les ombres de la tecnologia que aprèn de l'experiència. La manera en què hem de començar a realitzar canvis en els nostres fluxos de treball i l'augment en la complexitat dels sistemes d'inserció de dades seran determinants en l'èxit final de l'AI. M'ha faltat una mica de discussió ètic legal de les repercussions de la posada en marxa de manera protocol·litzada i la forma en què el col·lectiu més afectat (metge radiòleg / nuclear) va adoptar o donar suport a aquests canvis que s'albiren com imparables.

 

David Llopis Gonzalez

Hospital Duran i Reynals, IDI Bellvitge, TSIDMN

vicepresident@actedi.cat

@sonographer4

Noticias Relacionadas

Impacte de la funció ventricular sistòlica dreta en pacients amb estenosi aòrtica.
Impacte de la funció ventricular sistòlica dreta en pacients amb estenosi aòrtica.
Reducció de la dosi de radiació i millora de la qualitat d'imatge en la venografia portal per TC mitjançant 80 kV i la reconstrucció iterativa estadística adaptativa ASIR-V en pacients prims.
Reducció de la dosi de radiació i millora de la qualitat d'imatge en la venografia portal per TC mitjançant 80 kV i la reconstrucció iterativa estadística adaptativa ASIR-V en pacients prims.
Contracció de la vesícula biliar en TC i ecografia secundària a la preparació intestinal per colonoscòpia.
Contracció de la vesícula biliar en TC i ecografia secundària a la preparació intestinal per colonoscòpia.
Estudi per a la modificació dels paràmetres en la radiografia de tòrax mitjançant un maniquí toràcic neonatal.
Estudi per a la modificació dels paràmetres en la radiografia de tòrax mitjançant un maniquí toràcic neonatal.