Las radiografías de tórax son una herramienta clínica importante y accesible para la detección de muchas enfermedades. Sin embargo, su utilidad se puede ver limitada y, a menudo, se pueden pasar por alto los cánceres de pulmón o neumotórax en etapa temprana (pulmones colapsados), que pueden generar resultados adversos graves.
Ahora, un grupo de investigadores de Google Health (Mountain View, CA), Apollo Radiology International (Hyderabad, India), California Advanced Imaging (Novato, EUA) y otras instituciones, han desarrollado modelos de aprendizaje profundo (DL, por sus siglas en inglés) que pueden clasificar con exactitud cuatro hallazgos de rayos X de tórax clínicamente importantes: neumotórax, nódulos y masas, fracturas y opacidades del espacio aéreo.
En concreto, según se hace eco MedImaging.es, los expertos emplearon utilizaron dos grandes conjuntos de datos. El primero incluyó 759.611 imágenes de la red de Hospitales Apollo (Hyderabad, India) y el segundo fue extraído de un conjunto de 112.120 imágenes disponibles al público.
Los modelos DL clasifiaron cuatro hallazgos de rayos X de tórax clínicamente importantes: neumotórax, nódulos y masas, fracturas y opacidades del espacio aéreo
Una vez recogidos los datos, se utilizó el procesamiento del lenguaje natural y la revisión experta de un pequeño subconjunto de imágenes para proporcionar etiquetas para 657.954 imágenes de entrenamiento, con estándares de referencia definidos por cuatro radiólogos. Los resultados mostraron que para los cuatro hallazgos radiológicos, los modelos de DL exhibieron un desempeño a nivel de radiólogo.
“Lograr una exactitud de nivel experto en promedio es solo una parte de la historia. A pesar de que la exactitud general de los modelos de DL fue consistentemente similar a la de los radiólogos para cualquier hallazgo dado, el rendimiento de ambos varió entre los conjuntos de datos”, aseguró el autor principal Shravya Shetty, MSc, líder técnico de Google Health. “Esto resalta la importancia de validar las herramientas de aprendizaje profundo en conjuntos de datos múltiples y diversos, y eventualmente en las poblaciones de pacientes y entornos clínicos en los que se pretende utilizar cualquier modelo”, recogen en la revista de investigación.