¿Lograrán Reemplazar A Los Médicos Aplicaciones En Radiología Torácica. Grupo Respiratorio Integramé

Entrées récentes
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, par le biais de l'utilisation d'un certain nombre de couches de traitements individuels. La caractéristique la plus distinctive de l'apprentissage profond, par rapport aux méthodes d'apprentissage automatique conventionnelles, est qu'il peut extraire les caractéristiques de manière totalement automatique et ,par lui-même, générer des modèles appropriés pour les tâches assignées, directement à partir des données brutes, sans nécessité d'impliquer des humains.
Les modèles d'apprentissage profond ont fait irruption dans plusieurs domaines, y compris la reconnaissance d'images, la reconnaissance vocale, ainsi que dans les technologies de l'information. Dans le domaine médical, pour leur part, l'application de l'apprentissage profond en est encore à ses débuts. 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, análisis de cáncer de piel de fotografías de lesiones y en el diagnóstico de retinopatía diabética de imágenes fundoscópicas.
En radiología, el aprendizaje profundo ayudará a mejorar la eficiencia mediante la interpretación automática de las imágenes y la generación de un diagnóstico diferencial apropiado. Las aplicaciones basadas en la nube, también permiten que los algoritmos de aprendizaje profundo sigan aprendiendo en forma continua, basándose en los datos que no están restringidos a una institución única.
En el ámbito de las imágenes torácicas, se ha hecho un esfuerzo significativo dirigido a desarrollar y aplicar los sistemas de detección ayudado por computadoras (DAC), 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. De plus, el reconocimiento de patrones de enfermedad, la segmentación de la lesión, le diagnostic et la prédiction de survie, ont été étudiés avec succès en utilisant l'apprentissage profond sur les images thoraciques. Mais il existe encore des préoccupations quant à leur applicabilité clinique.
Apprentissage profond et réseaux neuronaux convolutifs (RNC)
L'apprentissage automatique se décrit comme un groupe de méthodes capables de détecter, de manière automatique, des motifs dans les données, pour ensuite utiliser ces motifs découverts dans la classification, la prédiction et la conduite dans la prise de différents types de décisions dans des conditions incertaines. Les techniques conventionnelles d'apprentissage automatique reposent sur l'ingénierie de grandes quantités de données et nécessitent la maîtrise d'une grande expérience dans la conception d'un algorithme extracteur de caractéristiques qui transforme les données brutes en représentations adaptées à l'analyse informatique. Un RNC est un type spécial d'apprentissage profond qui est très comparable au processus d'apprentissage du cortex visuel des mammifères, et est responsable des améliorations récentes dans le domaine de la vision par ordinateur (par exemple, les voitures autonomes). Avec la disponibilité d'une grande quantité de données et l'augmentation de la puissance de calcul, les RNC ont produit des résultats prometteurs pour de nombreuses tâches, y compris la classification d'images, la détection correcte d'images, la segmentation d'images et le processus d'apprentissage du langage pur.
L'architecture d'un CNN peut être composée de couches convolutionnelles, regroupées et entièrement connectées (Figure 1): (1) les couches convolutionnelles détectent des caractéristiques locales distinctives dans les données, en appliquant plusieurs filtres et en générant plusieurs cartes de caractéristiques; (2) les couches regroupées diminuent efficacement les dimensions des cartes de caractéristiques; (trois) les couches entièrement connectées intègrent toutes les caractéristiques et les projettent finalement vers une couche de résultat, celle qui sert à répondre à la tâche qui lui a été assignée. En utilisant des CNN profonds (les différentes couches se répètent et se regroupent plusieurs fois) pour imiter le réseau multicouche neuromorphique pur, l'apprentissage profond peut apprendre automatiquement et de manière adaptative une représentation hiérarchique des motifs et, consécutivement, identifier les caractéristiques les plus significatives pour une tâche donnée. Afin de traiter des tâches complexes, des réseaux avec de nombreuses couches sont requis (appelés réseaux profonds). Mais ajouter plus de couches, augmente le nombre de paramètres du modèle, ce qui peut rendre le processus d'entraînement pour une tâche spécifique plus difficile sans surévaluer les données.
Applications dans les images thoraciques
-Radiographie du thorax
Bien que ces examens soient cliniquement utiles, efficaces et rentables, Les radiographies thoraciques consistent en des informations anatomiques complexes tridimensionnelles, condensées en une projection bidimensionnelle. L'interprétation exacte d'une radiographie thoracique nécessite une grande expérience et des connaissances médicales de la part du radiologue. Il a été démontré une variabilité considérable inter et intra-observateur, perte de lésions et retards dans les rapports dans la pratique médicale courante. La technologie de l'apprentissage profond a le potentiel de détecter, de manière automatique, les anomalies pour assister les radiologues dans la lecture des radiographies thoraciques.
+ Détection des nodules pulmonaires
La detección de nódulos pulmonares en las radiografías de tórax es un área promisoria para la aplicación de la tecnología de aprendizaje profundo. Debido a los factores confundentes de las complejidades anatómicas en las radiografías de tórax, el screening del cáncer pulmonar utilizando las radiografías de tórax ha alcanzado resultados poco satisfactorios, con reportes de nódulos no vistos en hasta el forty% de los casos.
Los sistemas DAC han sido desarrollados para ayudar a los radiólogos a la detección de los nódulos pulmonares. Récemment, 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, ont amélioré la précision de la détection des nodules sur les radiographies thoraciques, avec une réduction significative des marqueurs de faux positifs par examen (1,19).
+ Diagnostic de tuberculose
Autre domaine de recherche spécifique, avec un grand potentiel en santé publique, c'est l'utilisation de la technologie d'apprentissage profond pour le diagnostic de la tuberculose pulmonaire sur la base de la radiographie thoracique. La radiographie thoracique est un outil d'imagerie de haute sensibilité pour le tri et le dépistage de l'infection tuberculeuse active et antérieure. De grands efforts ont été déployés pour développer des systèmes CAD pour la détection de la tuberculose pulmonaire sur des radiographies thoraciques. Les systèmes CAD traditionnels, sans la technologie d'apprentissage profond, ont montré une détection acceptable de la tuberculose, et l'utilisation de réseaux neuronaux convolutifs associés au DAC dépasse la détection, bien que davantage d'études soient nécessaires pour établir le véritable bénéfice clinique.
+ Détection d'un motif d'altérations multiples (PAM)
Chaque radiographie thoracique peut contenir plusieurs altérations, par exemple, pneumonie, épanchement pleural, pneumothorax, dispositifs médicaux et cardiomégalie. La technologie d'apprentissage profond facilite la détection d'un PAM, plus que de se concentrer simplement sur les nodules de tuberculose, ce qui pourrait être plus pratique cliniquement.
La emergencia del aprendizaje profundo ha mejorado drásticamente el rendimiento del aprendizaje de máquinas para el reconocimiento, detección y localización de objetos, comparado con las metodologías previas existentes. Récemment, dos grandes grupos de datos de radiografías de tórax (>a hundred and ten.000 de 30.805 pacientes) han sido liberadas al público. Estos datos públicos sirven como grupos de datos para la validación externa para cualquier aplicación de aprendizaje profundo que utilice radiografías de tórax.
Un estudio que entrenó varios modelos de RNC para detectar 8 patrones anormales (atelectasias, cardiomegalia, épanchement pleural, infiltrados parenquimatosos, masas pulmonares, nódulos pulmonares, neumonía y neumotórax) en las radiografías de tórax, alcanzó rangos de exactitud entre 0,56 et zéro,soixante-dix-huit. La détection de la PAM sur la radiographie thoracique grâce à la technologie d'apprentissage profond est encore un domaine de recherche actif, et différentes méthodologies sont en cours d'évaluation et de validation, donc la précision s'améliorera probablement (Figure quatre et 5).
– TDM thoracique
Les systèmes DAC dans la TDM peuvent améliorer le travail des radiologues en réduisant le temps nécessaire pour lire les examens et en améliorant la précision de la lecture.
+ Détection/dépistage des nodules pulmonaires
Depuis que l'étude de dépistage du cancer du poumon NLST (Essai national de dépistage du poumon) a annoncé une amélioration significative (20%) de la mortalité par cancer du poumon dans la population à haut risque, avec l'utilisation du scanner à faible dose comme méthode de dépistage, cette manière de réaliser la recherche du cancer a été largement acceptée. Un système DAC pourrait aider les radiologues, tant dans la détection que dans la classification des nodules pulmonaires. Bien que les systèmes DAC traditionnels aient montré des résultats solides, ils dépendent généralement du travail humain. L'application des technologies d'apprentissage profond peut potentiellement supprimer ce besoin d'intervention humaine dans les systèmes DAC traditionnels. Les CNN sont les technologies d'apprentissage profond les plus couramment utilisées dans la détection des nodules pulmonaires au scanner, atteignant une bonne sensibilité pour la détection des nodules, maintenant un taux acceptable de faux positifs.
La classification des nodules pulmonaires détectés, est également un domaine de bénéfices potentiels avec l'utilisation des systèmes DAC. Étant donné qu'il existe une variabilité interobservateur appréciable dans la classification des nodules pulmonaires entre les radiologues, l'application des systèmes d'apprentissage profond a atteint de bonnes performances dans la classification des types de nodules, basée sur le système RADS pulmonaire, atteignant une variabilité interobservateur similaire à celle des radiologues experts.
+ Maladie pulmonaire interstitielle (EPI)
La classification du motif des EPI est un autre domaine d'intérêt pour les technologies d'apprentissage profond. Le diagnostic précis des MII est généralement un défi, car la plupart d'entre elles présentent des manifestations cliniques similaires, tout en étant histologiquement différentes et hétérogènes et avec des pronostics différents.
Les MII ont une apparence similaire à la TDM et les radiologues ont montré une grande variabilité, tant intra-observateur qu'inter-observateur. Par conséquent, L'identification et la classification automatique des différents motifs de MII à la TDM pourrait être utile, même pour les radiologues les plus expérimentés, et l'application de la technologie de l'apprentissage profond pourrait jouer un rôle important dans le développement des systèmes CAD. Les méthodes de RNC ont atteint une précision dans la classification du motif des MII de 87,9% (Figure 7).
+ BPCO blog sur l'intelligence artificielle
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, pero los modelos basados en aprendizaje profundo podrían mejorar aún más estos resultados, aportando robustez y generabilidad para las distintas plataformas de imágenes, proveyendo resultados más seguros. Un modelo profundo llamado redes anidadas holísticamente progresivas (RAHP), mostró mejorías significativas en la segmentación pulmonar comparado con enfoques de segmentación previas (Figura 8).
Además de la segmentación del tejido pulmonar, la segmentación de la vía aérea en forma robusta y segura, también es esencial. Un gran número de métodos anteriores tienen sus limitaciones comunes. Las redes profundas convolucionales resultan en mayor sensibilidad y especificidad, comparado con todos los otros algoritmos (Figura 9).
– Radiómica y sobrevida profunda
La radiómica y la predicción de los desenlaces en los pacientes (sobrevida profunda”), también son áreas de investigación para la aplicación de la tecnología de aprendizaje profundo. La radiómica comprende la extracción de alto rendimiento de características cuantitativas de las imágenes médicas, para desarrollar modelos seguros para predecir la información genómica, desenlaces clínicos y sobrevida. La extracción de características radiómicas es un proceso crítico en la investigación radiómica y la mayoría de los estudios previos usan características hechas a mano, las que están limitadas por el conocimiento médico precise y la observación humana. Au contraire, las RNC y el aprendizaje de transferencia, pueden ser incorporados en los modelos radiómicos para extraer más características diversas (características profundas), las que no necesitan el pre requisito del conocimiento médico y sus sesgos.
La combinación de características profundas de nódulos pulmonares detectados en el TAC de tórax con características radiómicas tradicionales para predecir la probabilidad de un nódulo maligno, ha reportado una precisión world del 76,8%. Con el uso de RNC, se ha podido predecir la mortalidad con aún mayor discriminación. La radiómica profunda y la sobrevida profunda son dos nuevos campos promisorios de estudio.
Perspectivas, retos y limitaciones
Un sistema DAC basado en el aprendizaje profundo puede usarse para encontrar hallazgos críticos en las radiografías de tórax y hacer un triage antes de la lectura del radiólogo. Si esto logra resultados clínicamente aceptables en términos de la priorización de las radiografías, implicará que estos sistemas tienen en potencial de diferenciar las radiografías normales de las groseramente alteradas. Existen ya estudios sobre esto.
Les systèmes DAC peuvent également aider au diagnostic de maladies telles que les MAPI et générer des rapports quantitatifs préliminaires basés sur les résultats du DAC. Ces rapports n'ont pas de variabilité interobservateur.
La détection, la segmentation et la quantification automatiques d'une lésion grâce à des techniques d'apprentissage profond, facilitent le rapport de l'analyse quantitative des images médicales. Ces données fourniront probablement des améliorations dans la prédiction des résultats des patients et la stratification du risque.
Il existe également une série de défis et de problèmes qu'il faut mentionner. Actuellement, les algorithmes d'apprentissage profond nécessitent de grands ensembles de données (dans ce cas des images), fortement étiquetées et anonymisées. Estos datos son muy difíciles de obtener. Otro problema es la nomenclatura utilizada en las descripciones radiológicas, como por ejemplo consolidación” infiltrado”, las que no deben ser utilizadas como subrogantes de neumonía en los rótulos de los datos de entrenamiento.
Los sistemas basados en aprendizaje profundo deberían integrar información derivada de diferentes dominios. En la práctica clínica real, los diagnósticos diferenciales dependen, en gran medida, de otros factores además de las características de las imágenes. Esto le agrega muchísima complejidad a las tareas que los algoritmos de aprendizaje profundo necesitan aprender. Actuellement, des efforts sont en cours pour ajouter des informations cliniques pathologiques aux caractéristiques d'imagerie en utilisant des réseaux d'apprentissage profond.
De plus, les défis liés aux aspects éthiques et légaux du partage des données et de la confidentialité des patients sont immenses. Il est d'importance critique que les images et les données médicales utilisées pour l'entraînement, les tests et la validation des méthodes d'apprentissage profond soient complètement anonymes. Nouvelles technologies, comme la Blockchain, pourraient être utiles pour garantir la sécurité des données partagées.
Enfin, une validation clinique rigoureuse et systématique de toute application basée sur l'apprentissage profond doit être exigée. La mayoría de las publicaciones sobre aprendizaje de máquinas han mostrado sus resultados en grupos de pruebas cuidadosamente preseleccionadas y enriquecidas (par exemple, 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, L'apprentissage profond sera un outil indispensable pour les radiologues dans un avenir proche. Cette technologie permettra aux radiologues de devenir plus productifs et d'améliorer les soins aux patients. Le plein potentiel de cette technologie nécessitera que les radiologues jouent un rôle actif dans sa gouvernance afin de promouvoir son introduction dans la pratique clinique.
Fernando Rivas Burattini dit:
La série d'articles sur l'intelligence artificielle et l'apprentissage automatique en médecine s'est avérée extrêmement intéressante et surprenante quant à l'immense monde qui s'ouvre à nous.
Comme dans toutes les affaires humaines, la limite sera de respecter l'éthique et la légalité.
Si cela ne se produit pas, pour notre, un bouton: Elizabeth Holmes creo la empresa Theranos valuada en 9 mil millones de dólares. La thought, forjada en Silicon Valley-de la mano de la Universidad de Stanford- period un ejemplo de jóvenes emprendedores que revolucionan la ciencia y los negocios.
Aujourd'hui, acusada de fraude por la SEC de EE. -Unis., arriesgando 20 años de cárcel, sigue insistiendo que su tecnología es capaz de revolucionar los exámenes de sangre, utilizando para ello solo un par de gotas.
Me gusta Me gusta
Los comentarios están cerrados.
%d blogueurs aiment ceci: