Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

le système motivé par l'AI pour trouver automatiquement des anomalies sur l'IRM cérébral a pu accélérer des soins

Un système renseignement renseignement artificiel qui hiloire automatiquement par des IRM cérébraux pour des anomalies pourrait accélérer des soins à ceux qui ont besoin de eux plus, selon une étude publiée en radiologie : Artificial intelligence.

L'IRM produit les images détaillées du cerveau qui aident des radiologues à diagnostiquer les maladies variées et les dégâts des événements comme une rappe ou un traumatisme crânien. Sa consommation accrue a abouti à l'image une surcharge qui présente un besoin urgent pour le flux de travail radiologique amélioré. L'identification automatique des découvertes anormales dans les images médicales offre une solution potentielle, activant les soins aux patients améliorés et l'écoulement patient accéléré.

« Il y a un numéro croissant des IRM qui sont exécutés, non seulement dans l'hôpital mais également pour des patients, tellement il y a un besoin réel d'améliorer le flux de travail de radiologie, » a dit le Co-fil d'étude Romane Gauriau auteur, Ph.D., ancien scientifique d'apprentissage automatique chez Massachusetts General Hospital et Brigham et centre de l'hôpital des femmes pour la Science clinique de caractéristiques à Boston. « Une voie de faire cela est d'automatiser une partie du procédé et d'aider également le radiologue à donner la priorité aux différents examens. »

Le M. Gauriau, avec le Co-fil auteur Bernardo C. Bizzo, M.D., Ph.D., et collègues, et en partenariat avec amérique SA (DASA) de Diagnosticos Danemark, une compagnie médicale de diagnose au Brésil, a développé un système robotisé pour classifier des échographies d'IRM cérébral comme « vraisemblablement la normale » ou « anormal susceptible. » L'approche se fonde sur un réseau neuronal circonvolutionnaire (CNN), un type sophistiqué d'AI qui permet au modèle d'apprendre directement des images.

Les chercheurs ont formé et ont validé l'algorithme sur trois grands ensembles de données se montant à plus de 9.000 inspections rassemblées de différentes institutions sur deux continents différents.

Dans le contrôle préliminaire, le modèle a montré que le rendement relativement bon différenciait les inspections anormales normales ou susceptibles susceptibles. Le contrôle sur un ensemble de données de validation acquis à une période de temps différente et d'une institution différente que les caractéristiques employées pour former l'algorithme a mis en valeur la capacité de généralisation du modèle. Un tel système a pu être employé comme outil de sélection, selon M. Gauriau, avec le potentiel d'améliorer le flux de travail de radiologie.

« Le problème que nous essayons d'aborder est très, très complexe parce qu'il y a une grande variété d'anomalies sur l'IRM, » il a dit. « Nous avons prouvé que ce modèle est assez prometteur pour commencer à évaluer s'il peut être employé dans un environnement clinique. »

Des modèles assimilés ont été montrés pour améliorer de manière significative le temps de basculement pour l'identification des anomalies dans la tête CTs et les radiographies thoraciques. Le modèle neuf a le potentiel de bénéficier davantage des soins ambulatoires de recenser des découvertes fortuites. Une conclusion de chose fortuite est une anomalie non liée à la raison que le médecin a commandé le test.

Dites que vous êtes tombé et avez heurté votre tête, puis êtes allé à l'hôpital et ils ont commandé un IRM cérébral. Cet algorithme pourrait trouver si vous avez la lésion cérébrale de la chute, mais elle peut également trouver une conclusion inattendue telle qu'une tumeur cérébrale. Avoir cette capacité a pu réellement aider à améliorer des soins aux patients. »

M. Romane Gauriau, auteur de Co-Fil d'étude

Le travail était le premier de son genre pour influencer un grand et cliniquement approprié ensemble de données et pour employer de pleines caractéristiques du volume IRM pour trouver l'anomalie générale de cerveau. Les prochaines opérations dans la recherche comprennent évaluer l'utilité clinique du modèle et la valeur de potentiel pour des radiologues. Les chercheurs voudraient également le développer au delà des sorties binaires « vraisemblablement de la normale » ou « d'anormal susceptible. »

De « cette façon nous pourrions non seulement avoir des résultats binaires mais peut-être quelque chose de caractériser mieux les types des découvertes, par exemple, si l'anomalie est pour être liée à la tumeur ou à l'inflammation, » de M. Gauriau avons dit. « Il pourrait également être très utile pour des buts éducatifs. »

Davantage de bilan est actuel actuel dans un environnement clinique réglé au Brésil avec les collaborateurs de recherches de DASA.

Source:
Journal reference:

Gauriau, R., et al. (2021) A Deep Learning-Based Model for Detecting Abnormalities on Brain MRI for Triaging: Preliminary Results from a Multi-Site Experience. Radiology: Artificial Intelligence. doi.org/10.1148/ryai.2021200184.