Will Applications in Thoracic Radiology Manage to Replace Doctors. Integramé Respiratory Group

Recent Posts
Serie: Inteligencia artificial y aprendizaje de máquinas en medicina:¿lograrán reemplazar a los médicos? Aplicaciones en radiología torácica.
+Gonzalo Alvear+
En esta nueva entrada de la Serie sobre la inteligencia artificial y el aprendizaje de máquinas, los autores analizan las aplicaciones ya existentes y las que probablemente vendrán” en los próximos años en radiología de tórax.
J Thorac Imaging 2019;34:75-85
Introduction
El aprendizaje profundo es un género del aprendizaje de máquinas que permite que modelos computacionales aprendan representaciones de datos con múltiples niveles de abstracción, por medio del uso de un número capas de procesamientos individuales. La característica más distintiva del aprendizaje profundo, comparado con los métodos de aprendizaje de máquinas convencionales, es que puede extraer las características de forma completamente automática y ,por sí misma, generar modelos apropiados para las tareas asignadas, directamente desde los datos crudos, sin la necesidad de involucrar a humanos.
Los modelos de aprendizaje profundo han irrumpido en varios campos, incluyendo el reconocimiento de imágenes, el reconocimiento del habla, como también en la tecnología de la información. En el campo médico, for their part, la aplicación del aprendizaje profundo está aún en su infancia. Algunas de las primeras demostraciones exitosas de las técnicas de aprendizaje profundo se reportaron en la detección de linfonodos metastásicos en micrografías de muestras histológicas, analysis of skin cancer from photographs of lesions and in the diagnosis of diabetic retinopathy from fundus images.
In radiology, deep learning will help improve efficiency through automatic interpretation of images and generation of an appropriate differential diagnosis. Cloud-based applications, also allow deep learning algorithms to continue learning continuously, based on data that is not restricted to a single institution.
In the field of chest imaging, significant effort has been made to develop and apply computer-aided detection systems (CAD), para la detección de nódulos en las radiografías de tórax y tomografías computadas (TAC). Aunque muchos sistemas DAC están siendo utilizados en la práctica clínica, su implementación no ha sido amplíamente aceptada debido a su mal desempeño (frecuentes casos de falsos positivos y falsos negativos). Los enfoques de aprendizaje profundo tienen el potencial de superar las limitaciones del los actuales sistemas DAC, con varios estudios que han mostrado resultados promisorios. In addition, el reconocimiento de patrones de enfermedad, la segmentación de la lesión, el diagnóstico y la predicción de sobrevida, han sido estudiados exitosamente usando el aprendizaje profundo en las imágenes torácicas. Pero existe aún preocupación en cuanto a su aplicabilidad clínica.
Aprendizaje profundo y redes neurales convolucionales (RNC)
El aprendizaje de máquinas se outline como un grupo de métodos que pueden detectar, en forma automática, patrones en los datos, para luego utilizar estos patrones descubiertos en la clasificación, predicción conducción en la toma de varios tipos de decisiones bajo condiciones inciertas. Las técnicas convencionales de aprendizaje de máquinas descansan en la ingeniería de grandes cantidades de datos y requieren del dominio de una gran cantidad de experiencia en el diseño de un algoritmo extractor de características” que convierta los datos crudos en representaciones adecuables para el análisis computacional. A CNN is a special type of deep learning that is very comparable to the learning process of the mammalian visual cortex, and is responsible for recent improvements in the field of computer vision (for example, self-driving cars). With the availability of a large amount of data and the increase in computational power, CNNs have produced promising results for many tasks, including image classification, correct image detection, image segmentation and the pure language learning process.
The architecture of a CNN can be composed of convolutional layers, pooled and fully connected (Figure 1): (1) convolutional layers detect distinctive local features in the data, when applying multiple filters and generating multiple feature maps; (2) the grouped layers effectively reduce the dimensions of the feature maps; (three) the fully connected layers integrate all features and eventually project them onto an output layer, which serves to answer the task that was assigned. When using deep CNNs (different layers are repeated and grouped multiple times) to mimic the pure multilayer neuromorphic purple, deep learning can automatically and adaptively learn a hierarchical representation of patterns and, consecutively, identify the most significant features for a given task. In order to deal with complex tasks, networks with many layers are required (called deep networks). But adding more layers, increases the number of parameters in the model, which can make the training process for a specific task more difficult without overfitting the data.
Applications in chest images
-Chest X-ray
Although these exams are clinically useful, efficient and cost-effective, chest X-rays consist of complex three-dimensional anatomical information, condensed into a two-dimensional projection. The accurate interpretation of a chest X-ray requires extensive experience and medical knowledge on the part of the radiologist. Considerable inter- and intra-observer variability has been demonstrated, loss of lesions and delays in reports in ordinary medical practice. Deep learning technology has the potential to detect, en forma automática, abnormalities to assist radiologists in reading chest X-rays.
+ Detection of lung nodules
The detection of lung nodules in chest X-rays is a promising area for the application of deep learning technology. Due to confounding factors of anatomical complexities in chest X-rays, lung cancer screening using chest X-rays has achieved unsatisfactory results, with reports of nodules not seen in up to forty percent of cases.
Los sistemas DAC han sido desarrollados para ayudar a los radiólogos a la detección de los nódulos pulmonares. Recently, este método ha mostrado una sensibilidad del 71%, con 1,3 marcas de falsos positivos por imagen. Los sistemas DAC que usan tecnologías de aprendizaje profundo, han mejorado la exactitud de la detección de nódulos en las radiografías de tórax, con disminución significativa de marcas de falsos positivos por examen (1,19).
+ Diagnostico de tuberculosis
Otro campo específico de investigación, con gran potencial en salud pública, es la utilización de la tecnología de aprendizaje profundo para el diagnóstico de la tuberculosis pulmonar en base a la radiografía de tórax. La radiografía de tórax es una herramienta imagenológica de alta sensibilidad para el triage y screening de la infección activa y previa por tuberculosis. Se han realizado grandes esfuerzos para desarrollar sistemas DAC para la detección de la tuberculosis pulmonar en radiografías de tórax. Los sistemas DAC tradicionales, sin la tecnología de aprendizaje profundo, han mostrado una detección aceptable de la tuberculosis, y el uso de redes neurales convolucionales asociadas al DAC supera la detección, aunque se necesitan más estudios para establecer el verdadero beneficio clínico.
+ Detección de un patrón de alteraciones múltiples (PAM)
Cada radiografía de tórax puede contener múltiples alteraciones, for example, neumonía, derrame pleural, neumotórax, medical devices and cardiomegaly. Deep learning technology facilitates the detection of a PAM, rather than simply focusing on tuberculosis nodules, which could be more clinically practical.
The emergence of deep learning has drastically improved machine learning performance for recognition, detection and localization of objects, compared to previous existing methodologies. Recently, two large groups of chest X-ray data (>a hundred and ten.000 from 30,805 patients) have been released to the public. These public data serve as datasets for external validation for any deep learning application using chest X-rays.
Un estudio que entrenó varios modelos de RNC para detectar 8 patrones anormales (atelectasias, cardiomegalia, derrame pleural, infiltrados parenquimatosos, masas pulmonares, nódulos pulmonares, neumonía y neumotórax) en las radiografías de tórax, alcanzó rangos de exactitud entre 0,56 y zero,seventy eight. La detección de PAM en la radiografía de tórax con la tecnología de aprendizaje profundo es aún un área de investigación activa, y diferentes metodologías están siendo evaluadas y validadas, por lo que probablemente la exactitud irá mejorando (Figura four y 5).
– TAC de tórax
Los sistemas DAC en el TAC pueden mejorar el trabajo de los radiólogos al disminuir el tiempo requerido para leer los exámenes y mejorar la exactitud de la lectura.
+ Detección/screening de nódulos pulmonares
Desde que el estudio de screening de cáncer pulmonar NLST (National Lung Screening Trial) anunció una mejoría significativa (20%) de la mortalidad de cáncer pulmonar en población de alto riesgo, con el uso del TAC de dosis bajas como método de screening, esta manera de realizar la búsqueda del cáncer fue ampliamente aceptada. Un sistema DAC podría ayudar a los radiólogos, tanto en la detección como en la clasificación de los nódulos pulmonares. Aunque los sistemas DAC tradicionales han mostrado resultados sólidos, generalmente dependen de la labor humana. La aplicación de tecnologías de aprendizaje profundo puede potencialmente remover esta necesidad de intervención humana de los sistemas DAC tradicionales. Las RNC son las tecnologías de aprendizaje profundo más comúnmente utilizadas en la detección de nódulos pulmonares en el TAC, logrando una buena sensibilidad para la detección de nódulos, manteniendo una tasa aceptable de falsos positivos.
La clasificación de los nódulos pulmonares detectados, también es un área de potenciales beneficios con el uso de sistemas DAC. Ya que existe una variabilidad interobservador appreciable en la clasificación de los nódulos pulmonares entre los radiólogos, The application of deep learning systems has achieved good performance in the classification of nodule types, based on the pulmonary RADS system, reaching interobserver variability similar to that of expert radiologists.
+ Interstitial lung disease (ILD)
The classification of ILD patterns is another area of interest for deep learning technologies. Accurate diagnosis of ILDs is generally a challenge, since most of them have similar clinical manifestations, being histologically different and heterogeneous and with different prognoses.
ILDs have similar appearance on CT and radiologists have shown high variability, both intra- and interobserver. Therefore, la identificación y clasificación automática de los diferentes patrones de EPI al TAC podría ser útil, incluso para los radiólogos más expertos, y la aplicación de la tecnología de aprendizaje profundo podría tener un rol prominente en el desarrollo de los sistemas DAC. Métodos de RNC han alcanzado una precisión en la clasificación del patrón de las EPI de un 87,9% (Figura 7).
+ EPOC artificial intelligence blog
Un campo más básico de aplicación para las tecnologías de aprendizaje profundo, es la segmentación y reconstrucción de órganos de interés en los TAC. Varios métodos para la segmentación de órganos han sido desarrollados y probados, mostrando promisorios resultados, but deep learning-based models could further improve these results, providing robustness and generalizability for different imaging platforms, providing safer results. A deep model called holistically nested progressive networks (RAHP), showed significant improvements in lung segmentation compared to previous segmentation approaches (Figure 8).
In addition to lung tissue segmentation, robust and safe airway segmentation, is also essential. A large number of previous methods have common limitations. Convolutional deep networks result in higher sensitivity and specificity, compared to all other algorithms (Figure 9).
– Radiomics and deep survival
Radiomics and the prediction of outcomes in patients (deep survival), are also areas of research for the application of deep learning technology. Radiomics involves the high-throughput extraction of quantitative features from medical images, to develop reliable models to predict genomic information, clinical outcomes, and survival. Feature extraction in radiomics is a critical process in radiomics research, and most previous studies use handcrafted features, which are limited by precise medical knowledge and human observation. Por el contrario, CNNs and transfer learning, can be incorporated into radiomic models to extract more diverse features (deep features), those that do not require the prerequisite of medical knowledge and its biases.
The combination of deep features of pulmonary nodules detected on chest CT with traditional radiomic features to predict the likelihood of a malignant nodule, has reported a world accuracy of 76,8%. With the use of CNN, mortality has been predicted with even greater discrimination. Deep radiomics and deep survival are two new promising fields of study.
Perspectives, challenges and limitations
A deep learning–based CAD system can be used to find critical findings in chest X-rays and perform triage before the radiologist's reading. If this achieves clinically acceptable results in terms of prioritizing X-rays, it will imply that these systems have the potential to differentiate normal X-rays from grossly abnormal ones. There are already studies on this.
CAD systems can also help in diagnosing diseases such as ILD and generate preliminary quantitative reports based on the CAD results. These reports have no interobserver variability.
Detection, Automatic segmentation and quantification of a lesion using deep learning techniques, facilitates the reporting of quantitative analysis of medical images. These data will likely provide improvements in predicting patient outcomes and risk stratification.
There are also a number of challenges and issues that need to be mentioned. currently, Deep learning training algorithms require large datasets (in this case images), heavily labeled and anonymized. These data are very difficult to obtain. Another problem is the nomenclature used in radiological descriptions, such as 'consolidation', 'infiltrate', those that should not be used as surrogates for pneumonia on training data labels.
Deep learning-based systems should integrate information derived from different domains. In real clinical practice, differential diagnoses depend, to a large extent, on factors other than image characteristics. This adds a great deal of complexity to the tasks that deep learning algorithms need to learn. Today, Efforts are being made to add pathological clinical information to imaging features using deep learning networks.
In addition, The challenges related to the ethical and legal aspects of data sharing and patient privacy are immense. It is of critical importance that medical images and data used for training, testing and validation of deep learning methods are completely anonymous. New technologies, such as Blockchain, could be useful to ensure the security of shared data.
Finally, Rigorous and systematic clinical validation should be required for any deep learning-based application. Most publications on machine learning have shown their results on carefully preselected and enriched test groups (for example, balanceadas a favor de aquel algoritmo con una mayor prevalencia de la condición que es encontrada clínicamente). Cada aplicación de aprendizaje profundo debería ser probada por un grupo de datos de validación externo que estén disponibles públicamente. Además de los métodos de validación clínica, la validez de los estándares de referencia también deberían ser cuidadosamente considerados.
Conclusiones
La aplicación de la metodología de aprendizaje profundo para ayudar a resolver muchas tareas asociadas a las imágenes médicas está aún en su infancia, pero probablemente, el aprendizaje profundo será una herramienta indispensable para los radiólogos en un futuro cercano. Esta tecnología permitirá a los radiólogos convertirse en más productivos y mejorar el cuidado de los pacientes. El potencial completo de esta tecnología requerirá que los radiólogos tomen un rol activo en su gobierno para promover su introducción en la práctica clínica.
Fernando Rivas Burattini dice:
La saga de artículos sobre inteligencia artificial y aprendizaje de máquinas en medicina ha resultado ser sumamente interesante y sorprendente respecto del inmenso mundo que se nos abre.
Como en todos los asuntos humanos el límite estará en respetar la ética y la legalidad.
Si esto no ocurre, para nuestra, un botón: Elizabeth Holmes creo la empresa Theranos valuada en 9 mil millones de dólares. La thought, forged in Silicon Valley-hand in hand with Stanford University- a period an example of young entrepreneurs who are revolutionizing science and business.
Today, accused of fraud by the U.S. SEC. UU., risking 20 years in prison, still insisting that their technology is capable of revolutionizing blood tests, using only a couple of drops for this.
I like I like
Comments are closed.
%d bloggers like this: