胸部放射学应用能替代医生吗. 综合呼吸小组

最新文章
Serie: 人工智能和机器学习在医学中的应用:能替代医生吗? 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
介绍
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, por su parte, 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, 通过对病变照片的皮肤癌分析以及视网膜摄影图像中的糖尿病视网膜病变诊断.
在放射学中, 深度学习将通过自动解读图像和生成适当的鉴别诊断来提高效率. 基于云的应用, 还允许深度学习算法在持续不断地学习, 基于不受单一机构限制的数据.
在胸部影像领域, 已经进行了大量致力于开发和应用计算机辅助检测系统的努力 (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. 此外, 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. RNC 是一种特殊类型的深度学习，非常类似于哺乳动物视觉皮层的学习过程, 它是近期计算机视觉领域改进的主要原因 (例如, 自动驾驶汽车). 随着大量数据的可用性和计算能力的提高, RNC 在许多任务中取得了有希望的结果, 包括图像分类, 图像的正确检测, 图像分割和纯语言的学习过程.
RNC 的架构可以由卷积层组成, 池化层和全连接层 (图1): (1) 卷积层在数据中检测局部特征, 通过应用多个滤波器并生成多个特征图; (2) 分组的层有效地减少了特征图的维度; (三) 全连接层整合所有特征并最终将其投射到结果层, 用于完成所分配的任务. 使用深度神经网络 (不同的层会重复并多次组合) 以模仿多层神经形态的紫色结构, 深度学习可以自动并自适应地学习模式的分层表示并, 连续地, 识别给定任务最重要的特征. 为了处理复杂任务, 需要多层网络 (llamadas redes profundas). Pero el adicionar más capas, aumenta el número de parámetros en el modelo, lo que puede hacer más difícil el proceso de entrenamiento para una tarea específica sin sobrevalorar los datos.
Aplicaciones en las imágenes torácicas
-Radiografía de tórax
Si bien estos exámenes son clínicamente útiles, eficientes y costo efectivos, las radiografías de tórax consisten en información anatómica compleja tridimensional, condensada en una proyección bidimensional. La interpretación exacta de una radiografía de tórax requiere de una gran experiencia y conocimiento médico de parte del radiólogo. Se ha demostrado una considerable variabilidad inter e intraobservador, 在日常医疗实践中病变的遗漏和报告延迟. 深度学习技术有检测的潜力, en forma automática, 异常，协助放射科医生读取胸部X光片.
+ 肺结节检测
在胸部X光片中检测肺结节是深度学习技术应用的一个有前景的领域. 由于胸部X光片中解剖结构复杂的混杂因素, 使用胸部X光片进行肺癌筛查已取得不尽如人意的结果, 报告显示高达40%的病例中结节未被发现.
Los sistemas DAC han sido desarrollados para ayudar a los radiólogos a la detección de los nódulos pulmonares. 最近, 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. 胸片是用于活动性和既往结核感染分诊和筛查的一种高敏感度影像学工具. 已经付出巨大努力开发用于肺结核检测的DAC系统通过胸片进行筛查. 传统的DAC系统, 没有深度学习技术, 显示出可接受的结核检测能力, 而将卷积神经网络与DAC结合使用能够提高检测, 尽管需要更多研究以确定其真正的临床收益.
+ 检测多重病变模式 (PAM)
每张胸片可能包含多种病变, 例如, 肺炎, 胸腔积液, 气胸, dispositivos médicos y cardiomegalia. La tecnología de aprendizaje profundo facilita la detección de un PAM, más que concentrarse simplemente en nódulos tuberculosis, lo que podría ser más práctico clínicamente.
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. 最近, 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, 胸腔积液, 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, la aplicación de los sistemas de aprendizaje profundo han alcanzado un buen desempeño en la clasificación de los tipos de nódulos, basándose en el sistema RADS pulmonar, alcanzando una variabilidad interobservador related a la de los radiólogos expertos.
+ Enfermedad pulmonar intersticial (EPI)
La clasificación del patrón de las EPI es otra área de interés para las tecnologías de aprendizaje profundo. El diagnóstico preciso de las EPI es generalmente un reto, ya que la mayoría de ellas tienen manifestaciones clínicas similares, siendo histológicamente diferentes y heterogéneas y con pronósticos diferentes.
Las EPI tienen related apariencia en el TAC y los radiólogos han mostrado alta variabilidad, tanto intra como interobservador. 因此, 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 人工智能博客
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. Por el contrario, las RNC y el aprendizaje de transferencia, 可以被纳入放射组学模型以提取更多多样化的特征 (深度特征), 那些不需要医学知识及其偏见的特征.
将胸部CT检测到的肺结节深度特征与传统放射组学特征结合以预测结节恶性概率, 已报告全球准确率为76,8%. 使用神经网络后, 已经能够以更高的区分度预测死亡率. 深度放射组学与深度生存分析是两个有前景的新研究领域.
前景, 挑战与局限
基于深度学习的DAC系统可用于在胸部X光片中发现关键性发现，并在放射科医生阅读之前进行分诊. 如果这在X光片优先级排序方面取得临床可接受的结果, 这将意味着这些系统有潜力区分正常X光片和明显异常的X光片. 已有关于此的研究.
DAC系统还可以帮助诊断诸如肺间质性疾病（EPI）等疾病，并基于DAC结果生成初步定量报告. 这些报告不存在观察者间差异.
检测, 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, 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. 在当今, se están haciendo esfuerzos para agregar información clínica patológica a las características imagenológicas usando redes de aprendizaje profundo.
此外, los retos en relación a los aspectos éticos y legales del compartir los datos y de la privacidad de los pacientes son inmensos. Es de importancia crítica que las imágenes y los datos médicos sean utilizados para el entrenamiento, prueba y validación de los métodos de aprendizaje profundo sean completamente anónimos. Nuevas tecnologías, como la Blockchain, podrían ser útiles para garantizar la seguridad de los datos compartidos.
Por último, se debe demandar la validación clínica rigurosa y sistemática de toda aplicación basada en el aprendizaje profundo. La mayoría de las publicaciones sobre aprendizaje de máquinas han mostrado sus resultados en grupos de pruebas cuidadosamente preseleccionadas y enriquecidas (例如, 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. 这项技术将使放射科医生变得更加高效，并改善患者护理. 这项技术的全部潜力需要放射科医生在其管理中发挥积极作用，以促进其在临床实践中的引入.
费尔南多·里瓦斯·布拉蒂尼说:
关于人工智能和机器学习在医学中的系列文章已经被证明是非常有趣且令人惊讶的，它展示了向我们打开的巨大世界.
像在所有人类事务中一样，界限在于尊重伦理和法律.
如果这未能发生, 对我们来说, 一个按钮: 伊丽莎白·霍尔姆斯创立了市值90亿美元的公司Theranos. 思想, 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.
如今, acusada de fraude por la SEC de EE. UU., 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个博主喜欢这个: