Investigadores del King's College de Londres han desarrollado un marco de aprendizaje profundo basado en redes neuronales convolucionales para señalar anomalías clínicamente relevantes en el momento de la obtención de imágenes en resonancias magnéticas de cabeza potenciada en T2 axial de grado hospitalario, rutinarias y mínimamente procesadas.
Concretamente, en un estudio de simulación, los investigadores encontraron que su modelo redujo los tiempos de espera para los informes de pacientes con anomalías en unas dos semanas, de 28 a 14 días y de 9 a 5 días.
Los logros actuales están respaldados por un modelo reciente que aborda un problema existente que bloquea los desarrollos generales en la aplicación del aprendizaje profundo a la imagenología: la dificultad de obtener conjuntos de datos grandes, clínicamente representativos y etiquetados con precisión.
El marco de aprendizaje profundo basado en redes neuronales convolucionales utilizado en el estudio actual para señalar anomalías clínicamente relevantes en el momento de la obtención de imágenes no podría haberse desarrollado sin este trabajo anterior, que permitió el etiquetado de conjuntos de datos de resonancia magnética de la cabeza a escala.
El modelo redujo los tiempos de espera para los informes de pacientes con anomalías en unas dos semanas, de 28 a 14 días y de 9 a 5 días
En el estudio actual, otro paso adelante hacia la traducción clínica es que los investigadores utilizan resonancias magnéticas cerebrales potenciadas en T2 axiales de grado hospitalario de rutina que se han sometido a poco procesamiento antes del análisis de clasificación.
Esto significa que las resonancias magnéticas de la cabeza se pueden usar en la forma en que llegan del escáner, lo que reduce de minutos a segundos el tiempo que de otro modo se dedicaría a procesar las imágenes, pero también permite que se detecten más anomalías en otras áreas capturadas por la resonancia magnética de la cabeza, como enfermedades en el cráneo y alrededor de los ojos y la nariz. La velocidad y cobertura del sistema de detección de anomalías permite aplicaciones en tiempo real.
“Nuestro modelo puede reducir los tiempos de informe para exámenes anormales al marcar con precisión las anomalías en el momento de la obtención de imágenes, lo que permite que los departamentos de radiología prioricen los recursos limitados para informar estos escaneos primero. Esto aceleraría la intervención del equipo clínico de referencia”, ha señalado el doctor David Wood, investigador asociado de la Escuela de Ingeniería Biomédica y Ciencias de la Imagen.
“Habiendo creado y validado previamente un conjunto de datos de resonancia magnética de la cabeza etiquetados utilizando una metodología de aprendizaje automático de vanguardia a través de un equipo de científicos de datos y radiólogos del hospital, el mismo equipo ahora ha creado y validado un nuevo modelo de aprendizaje automático que puede clasificar las exploraciones de resonancia magnética de la cabeza para que las exploraciones anormales puede estar al frente de la fila para informar. El beneficio potencial para los pacientes y los sistemas de atención médica es enorme”, ha explicado, por su parte, el doctor Thomas Booth, profesor titular de neuroimagen en la Escuela de Ingeniería Biomédica y Ciencias de la Imagen y neurorradiólogo consultor de diagnóstico e intervención en el hospital King's College.