Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

o sistema AI-conduzido para automaticamente detectar anomalias no cérebro MRI podia acelerar o cuidado

Um sistema inteligência-conduzido artificial que penteasse automaticamente através do cérebro MRIs para anomalias poderia apressar o cuidado àqueles que o precisam mais, de acordo com um estudo publicado na radiologia: Inteligência artificial.

MRI produz as imagens detalhadas do cérebro que ajudam radiologistas a diagnosticar vários doenças e dano dos eventos como um curso ou uma lesão na cabeça. Seu uso crescente conduziu à imagem uma sobrecarga que apresentasse uma necessidade urgente para trabalhos radiológicos melhorados. A identificação automática de resultados anormais em imagens médicas oferece uma solução potencial, permitindo o assistência ao paciente melhorado e a descarga paciente acelerada.

“Há um número crescente de MRIs que é executado, não somente no hospital mas igualmente para pacientes não hospitalizados, tão há uma necessidade real de melhorar trabalhos da radiologia,” disse o co-chumbo Romane Gauriau autor, Ph.D., cientista anterior da aprendizagem de máquina no Hospital Geral e no Brigham de Massachusetts e centro do estudo do hospital das mulheres para a ciência clínica dos dados em Boston. “Uma maneira de fazer isso é automatizar algum do processo e ajudar igualmente o radiologista a dar a prioridade aos exames diferentes.”

O Dr. Gauriau, junto com o co-chumbo autor Bernardo C. Bizzo, M.D., Ph.D., e colegas, e em parceria com América SA de Diagnosticos a Dinamarca (DASA), uma empresa médica dos diagnósticos em Brasil, desenvolveu um sistema automatizado para classificar varreduras do cérebro MRI como “provavelmente o normal” ou “anormal provável.” A aproximação confia em uma rede neural circunvolucional (CNN), um tipo sofisticado de AI que permite que o modelo aprenda directamente das imagens.

Os pesquisadores treinaram e validaram o algoritmo em três grandes conjunto de dados que totalizam mais de 9.000 exames recolhidos das instituições diferentes em dois continentes diferentes.

No teste preliminar, o modelo mostrou o desempenho relativamente bom para diferenciar exames anormais normais ou prováveis prováveis. Testar em um conjunto de dados da validação adquirido em um período de tempo diferente e de uma instituição diferente do que os dados usados para treinar o algoritmo destacou a capacidade da generalização do modelo. Tal sistema podia ser usado como uma ferramenta da triagem, de acordo com o Dr. Gauriau, com o potencial melhorar trabalhos da radiologia.

“O problema que nós estamos tentando abordar é muito, muito complexo porque há uma variedade enorme de anomalias em MRI,” ela disse. “Nós mostramos que este modelo é prometedor bastante começar avaliar se pode ser usado em um ambiente clínico.”

Os modelos similares foram mostrados para melhorar significativamente o tempo de resposta para a identificação das anomalias na cabeça CTs e nos raios X de caixa. O modelo novo tem o potencial beneficiar mais o cuidado de paciente não hospitalizado identificando resultados incidentais. Encontrar do incidente é uma anomalia nao relativa à razão que o médico pediu o teste.

Diga que você caiu e bateu sua cabeça, a seguir foi ao hospital e pediram um cérebro MRI. Este algoritmo poderia detectar se você tem a lesão cerebral da queda, mas pode igualmente detectar encontrar inesperado tal como um tumor cerebral. Ter essa capacidade podia realmente ajudar a melhorar o assistência ao paciente.”

Dr. Romane Gauriau, autor do Co-Chumbo do estudo

O trabalho era o primeiro de seu tipo para leverage um grande e clìnica conjunto de dados relevante e para usar dados completos do volume MRI para detectar a anomalia total do cérebro. Os passos seguintes na pesquisa incluem a avaliação do serviço público do modelo e do valor clínicos do potencial para radiologistas. Os pesquisadores igualmente gostariam de desenvolvê-lo provavelmente além das saídas binárias “do normal” ou “de anormal provável.”

“Esta maneira nós não poderíamos somente ter resultados binários mas talvez algo caracterizar melhor os tipos de resultados, por exemplo, se a anomalia é mais provável ser relacionada ao tumor ou à inflamação,” de Dr. Gauriau dissemos. “Poderia igualmente ser muito útil para finalidades educacionais.”

Uma avaliação mais adicional é actualmente em curso em um ambiente clínico controlado em Brasil com os colaboradores da pesquisa 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.