Riusciranno le Applicazioni in Radiologia Toracica a Sostituire i Medici. Gruppo Respiratorio Integramé

Articoli recenti
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
Introducción
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, rispetto ai metodi di apprendimento automatico convenzionali, è che può estrarre le caratteristiche in modo completamente automatico e ,da sola, generare modelli appropriati per i compiti assegnati, direttamente dai dati grezzi, senza la necessità di coinvolgere esseri umani.
I modelli di apprendimento profondo hanno fatto irruzione in diversi campi, incluso il riconoscimento delle immagini, il riconoscimento vocale, così come nella tecnologia dell'informazione. Nel campo medico, da parte sua, l'applicazione dell'apprendimento profondo è ancora nelle sue fasi iniziali. Alcune delle prime dimostrazioni di successo delle tecniche di apprendimento profondo sono state riportate nella rilevazione di linfonodi metastatici in micrografie di campioni istologici, analisi del cancro della pelle dalle fotografie delle lesioni e nella diagnosi della retinopatia diabetica dalle immagini fundoscopiche.
In radiologia, l'apprendimento profondo aiuterà a migliorare l'efficienza mediante l'interpretazione automatica delle immagini e la generazione di una diagnosi differenziale appropriata. Le applicazioni basate sul cloud, permettono anche agli algoritmi di apprendimento profondo di continuare ad apprendere in modo continuo, basandosi su dati che non sono limitati a una singola istituzione.
Nel campo delle immagini toraciche, è stato fatto uno sforzo significativo volto a sviluppare e applicare i sistemi di rilevamento assistiti dal computer (DAC), per la rilevazione di noduli nelle radiografie del torace e nelle tomografie computerizzate (TC). Sebbene molti sistemi CAD siano utilizzati nella pratica clinica, la loro implementazione non è stata ampiamente accettata a causa delle scarse prestazioni (frequenti casi di falsi positivi e falsi negativi). Gli approcci di deep learning hanno il potenziale di superare i limiti dei sistemi CAD attuali, con vari studi che hanno mostrato risultati promettenti. Inoltre, il riconoscimento dei modelli di malattia, la segmentazione della lesione, la diagnosi e la previsione della sopravvivenza, sono stati studiati con successo utilizzando il deep learning nelle immagini toraciche. 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. Una RNC è un tipo speciale di apprendimento profondo che è molto comparabile al processo di apprendimento della corteccia visiva dei mammiferi, e è responsabile dei recenti miglioramenti nel campo della visione computazionale (per esempio, le automobili a guida autonoma). Con la disponibilità di una grande quantità di dati e l'aumento della potenza computazionale, le RNC hanno prodotto risultati promettenti per molti compiti, inclusa la classificazione delle immagini, la corretta rilevazione delle immagini, la segmentazione delle immagini e il processo di apprendimento del linguaggio puro.
L'architettura di una RNC può essere composta da strati convoluzionali, raggruppati e completamente connessi (Figura 1): (1) gli strati convoluzionali rilevano caratteristiche locali distintive nei dati, al aplicar múltiples filtros y generar múltiples mapas de características; (2) las capas agrupadas disminuyen en forma efectiva las dimensiones de los mapas de las características; (tre) las capas completamente conectadas integran todas las características y eventualmente las proyectan hacia una capa resultante”, la que sirve para responder la tarea que se le impuso. Al usar RNC profundas (se repiten y agrupan las diferentes capas varias veces) para imitar la purple multicapa neuromórfica pure, el aprendizaje profundo puede aprender automáticamente y adaptativamente una representación jerárquica de patrones y, consecutivamente, identificar las características más significativas para una tarea dada. Con el fin de tratar con tareas complejas, se requieren de redes con muchas capas (reti profonde). Ma aggiungere più strati, aumenta il numero di parametri nel modello, il che può rendere più difficile il processo di addestramento per un compito specifico senza sovrastimare i dati.
Applicazioni nelle immagini toraciche
-Radiografia del torace
Sebbene questi esami siano clinicamente utili, efficienti e convenienti, le radiografie del torace contengono informazioni anatomiche tridimensionali complesse, condensate in una proiezione bidimensionale. L'interpretazione esatta di una radiografia del torace richiede molta esperienza e conoscenza medica da parte del radiologo. È stata dimostrata una considerevole variabilità inter e intraosservatore, perdita di lesioni e ritardi nei referti nella pratica medica ordinaria. La tecnologia di apprendimento profondo ha il potenziale di rilevare, en forma automática, le anomalie assistere i radiologi nella lettura delle radiografie del torace.
+ Rilevamento dei noduli polmonari
Il rilevamento dei noduli polmonari nelle radiografie del torace è un'area promettente per l'applicazione della tecnologia di apprendimento profondo. A causa dei fattori confondenti delle complessità anatomiche nelle radiografie del torace, lo screening del cancro polmonare utilizzando le radiografie del torace ha raggiunto risultati poco soddisfacenti, con referti di noduli non visti fino al quaranta% dei casi.
I sistemi DAC sono stati sviluppati per aiutare i radiologi nella rilevazione dei noduli polmonari. Recientemente, questo metodo ha mostrato una sensibilità del 71%, con 1,3 segnalazioni di falsi positivi per immagine. I sistemi DAC che utilizzano tecnologie di apprendimento profondo, hanno migliorato l'accuratezza della rilevazione dei noduli nelle radiografie del torace, con una diminuzione significativa delle segnalazioni di falsi positivi per esame (1,19).
+ Diagnosi di tubercolosi
Un altro campo specifico di ricerca, con grande potenziale nella salute pubblica, è l'utilizzo della tecnologia di apprendimento profondo per la diagnosi della tubercolosi polmonare basata sulla radiografia del torace. La radiografia del torace è uno strumento di imaging ad alta sensibilità per il triage e lo screening dell'infezione attiva e pregressa da tubercolosi. Sono stati fatti grandi sforzi per sviluppare sistemi CAD per la rilevazione della tubercolosi polmonare nelle radiografie del torace. I sistemi CAD tradizionali, senza la tecnologia di deep learning, hanno mostrato una rilevazione accettabile della tubercolosi, e l'uso di reti neurali convoluzionali associate al CAD supera la rilevazione, anche se sono necessari ulteriori studi per stabilire il reale beneficio clinico.
+ Rilevazione di un pattern di alterazioni multiple (PAM)
Ogni radiografia del torace può contenere multiple alterazioni, per esempio, polmonite, versamento pleurico, pneumotorace, dispositivi medici e cardiomegalia. La tecnologia di apprendimento profondo facilita la rilevazione di un PAM, piuttosto che concentrarsi semplicemente sui noduli tubercolari, ciò potrebbe essere più pratico clinicamente.
L'emergere dell'apprendimento profondo ha migliorato drasticamente le prestazioni dell'apprendimento automatico per il riconoscimento, rilevamento e localizzazione degli oggetti, rispetto alle metodologie precedenti esistenti. Recientemente, due grandi gruppi di dati di radiografie del torace (>centodieci.000 di 30.805 pazienti) sono stati resi pubblici. Questi dati pubblici servono come gruppi di dati per la validazione esterna per qualsiasi applicazione di apprendimento profondo che utilizzi radiografie del torace.
Un estudio que entrenó varios modelos de RNC para detectar 8 patrones anormales (atelectasias, cardiomegalia, versamento pleurico, 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, l'applicazione dei sistemi di apprendimento profondo ha raggiunto buone prestazioni nella classificazione dei tipi di noduli, basandosi sul sistema RADS polmonare, raggiungendo una variabilità interosservatore simile a quella dei radiologi esperti.
+ Malattia polmonare interstiziale (EPI)
La classificazione del pattern delle EPI è un'altra area di interesse per le tecnologie di apprendimento profondo. La diagnosi precisa delle EPI è generalmente una sfida, poiché la maggior parte di esse ha manifestazioni cliniche simili, essendo istologicamente diverse e eterogenee e con prognosi differenti.
Le EPI hanno un'aspetto simile alla TAC e i radiologi hanno mostrato alta variabilità, sia intra che interosservatore. Por tanto, 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 blog di intelligenza artificiale
Un campo más básico de aplicación para las tecnologías de aprendizaje profundo, es la segmentación y recostruzione de organs de interés en los TAC. Varios métodos para la segmentación de organs 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 holisticamente 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 esesencial. Un gran número de métodos anteriores tienen sus limitaciones comunes. Las redes profundas convolucionales resultan en mayor sensibilidad y specificidad, comparado con todos los otros algoritmos (Figura 9).
– Radiómica y sobrevida profunda
La radiomica e la previsione degli esiti nei pazienti (sopravvivenza profonda), sono anche aree di ricerca per l'applicazione della tecnologia di apprendimento profondo. La radiomica comprende l'estrazione ad alte prestazioni di caratteristiche quantitative dalle immagini mediche, per sviluppare modelli sicuri per prevedere le informazioni genomiche, esiti clinici e sopravvivenza. L'estrazione delle caratteristiche radiomiche è un processo critico nella ricerca radiomica e la maggior parte degli studi precedenti utilizza caratteristiche fatte a mano, che sono limitate dalla conoscenza medica precisa e dall'osservazione umana. Al contrario, le CNN e l'apprendimento per trasferimento, possono essere incorporati nei modelli radiomici per estrarre più caratteristiche diverse (caratteristiche profonde), quelle che non richiedono il prerequisito della conoscenza medica e dei suoi bias.
La combinazione di caratteristiche profonde dei noduli polmonari rilevati nella TC toracica con caratteristiche radiomiche tradizionali per prevedere la probabilità di un nodulo maligno, ha riportato una precisione mondiale del 76,8%. Con l'uso di RNC, è stato possibile prevedere la mortalità con una discriminazione ancora maggiore. La radiomica profonda e la sopravvivenza profonda sono due nuovi campi promettenti di studio.
Prospettive, sfide e limitazioni
Un sistema DAC basato sull'apprendimento profondo può essere utilizzato per trovare reperti critici nelle radiografie del torace e fare un triage prima della lettura del radiologo. Se ciò raggiunge risultati clinicamente accettabili in termini di priorizzazione delle radiografie, implicherà che questi sistemi hanno il potenziale di distinguere le radiografie normali da quelle gravemente alterate. Esistono già studi su questo.
I sistemi DAC possono anche aiutare nella diagnosi di malattie come le EPI e generare rapporti quantitativi preliminari basati sui risultati del DAC. Questi rapporti non presentano variabilità interosservatore.
La rilevazione, segmentación y cuantificación automáticas de una lesión mediante técnicas de aprendizaje profundo, facilita el reporte del análisis cuantitativo de las imágenes médicas. Estos datos probablemente proveerán de mejoras en la predicción de los desenlaces de los pacientes y estratificación del riesgo.
Existen también una serie de retos y problemas que hay que mencionar. Actualmente, los algoritmos de entrenamiento de aprendizaje profundo requieren de grandes grupos de datos (en este caso imágenes), fuertemente rotulados y anónimos. 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, di altri fattori oltre alle caratteristiche delle immagini. Esto le agrega muchísima complejidad a las tareas que los algoritmos de aprendizaje profundo necesitan aprender. Attualmente, se stanno facendo sforzi per agregar informazioni cliniche patologiche a las características imagenológicas usando redes de aprendizaje profundo.
Inoltre, le sfide relative agli aspetti etici e legali della condivisione dei dati e della privacy dei pazienti sono immense. È di importanza critica che le immagini e i dati medici siano utilizzati per l'addestramento, prova e validazione dei metodi di apprendimento profondo siano completamente anonimi. Nuove tecnologie, come la Blockchain, potrebbero essere utili per garantire la sicurezza dei dati condivisi.
Por último, è necessaria una convalida clinica rigorosa e sistematica di ogni applicazione basata sull'apprendimento profondo. La maggior parte delle pubblicazioni sull'apprendimento automatico ha mostrato i propri risultati in gruppi di prova accuratamente preselezionati e arricchiti (per esempio, balanceadas a favor de aquel algoritmo con una mayor prevalenza 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 pubblicamente. Además de los métodos de validación clínica, la validez de los estándares de referencia también deberían essere cuidadosamente considerados.
Conclusiones
La aplicación de la metodología de aprendizaje profundo para ayudar a risolvere 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. Questa tecnologia permetterà ai radiologi di diventare più produttivi e migliorare la cura dei pazienti. Il pieno potenziale di questa tecnologia richiederà che i radiologi assumano un ruolo attivo nel suo governo per promuovere la sua introduzione nella pratica clinica.
Fernando Rivas Burattini dice:
La serie di articoli sull'intelligenza artificiale e l'apprendimento automatico in medicina si è rivelata estremamente interessante e sorprendente riguardo all'immenso mondo che si apre davanti a noi.
Come in tutte le questioni umane, il limite sarà rispettare l'etica e la legalità.
Se ciò non accade, per la nostra, un pulsante: Elizabeth Holmes ha creato l'azienda Theranos valutata 9 miliardi di dollari. Il 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.
Oggi giorno, acusada de fraude por la SEC de EE. UU., arriesgando 20 años de cárcel, sigue insistendo che la sua tecnologia sia capace di rivoluzionar los exámenes de sangre, utilizando para ello solo un par de gotas.
Me gusta Me gusta
Los comentarios están cerrados.
Questo piace a %d blogger: