Este artículo de IA presenta X-Raydar: una innovadora red neuronal profunda de código abierto para la detección de anomalías en los rayos X del tórax

Investigadores de varias universidades del Reino Unido han desarrollado un sistema de inteligencia artificial (IA) de código abierto, X-Raydar, para la detección integral de anomalías en las radiografías de tórax. El sistema, formado con un conjunto de datos de seis hospitales del Reino Unido, utiliza redes neuronales, X-Raydar y X-Raydar-NLP, para clasificar los hallazgos comunes de las radiografías de tórax a partir de imágenes y sus informes de texto libre. El conjunto de datos, que abarca 13 años, incluyó 2.513.546 estudios de radiografías de tórax y 1.940.508 informes radiológicos de texto libre utilizables. Un algoritmo de procesamiento del lenguaje natural (NLP) personalizado, X-Raydar-NLP, etiquetó las radiografías de tórax utilizando una taxonomía de 37 hallazgos extraídos de los informes. Los algoritmos de IA se evaluaron en tres conjuntos de datos retrospectivos, lo que demostró un rendimiento similar al de los radiólogos clínicos históricos que informaron sobre varios hallazgos clínicamente importantes.

X-Raydar logró un AUC medio de 0,919 en el conjunto autoetiquetado, 0,864 en el conjunto de consenso y 0,842 en la prueba MIMIC-CXR. En particular, X-Raydar superó a los reporteros históricos en 27 de 37 hallazgos del conjunto de consenso, mostró no inferioridad en nueve y fue inferior en un hallazgo, lo que resultó en una mejora promedio del 13,3%. El rendimiento del sistema coincidió con el de radiólogos capacitados en cuanto a hallazgos críticos, incluidos neumotórax, opacificación parenquimatosa y masas o nódulos parenquimatosos.

El desarrollo incluyó una taxonomía radiológica que cubre ocho áreas anatómicas y estructuras no anatómicas, lo que facilita un etiquetado completo. Se entrenó un algoritmo de PNL, X-Raydar-NLP, en 23.230 informes anotados manualmente para extraer etiquetas. X-Raydar, el algoritmo de visión por computadora, utilizó InceptionV3 para la extracción de características y logró resultados óptimos utilizando una función de pérdida personalizada y factores de ponderación de clase.

Para las pruebas, se empleó un conjunto de consenso de 1427 imágenes anotadas por radiólogos expertos, un conjunto autoetiquetado (n = 103 328) y un conjunto de datos independiente, MIMIC-CXR (n = 252 374). X-Raydar-NLP demostró una buena detección de hallazgos clínicamente relevantes en informes de texto libre, con una sensibilidad media de 0,921 y una especificidad de 0,994. El AUC medio de X-Raydar en todos los hallazgos del conjunto de consenso fue 0,864, lo que muestra un sólido desempeño para los hallazgos críticos, urgentes y no urgentes.

Los investigadores también desarrollaron herramientas basadas en la web, que permiten el acceso público a los modelos de IA para la interpretación de radiografías de tórax en tiempo real. El portal en línea X-Raydar permite a los usuarios cargar imágenes DICOM para su preprocesamiento y clasificación automáticos. Además, los investigadores abrieron sus arquitecturas de red entrenadas, proporcionando un modelo básico para futuras investigaciones y adaptaciones. Los investigadores han desarrollado y evaluado con éxito un sistema de inteligencia artificial, X-Raydar, para la detección integral de anomalías en las radiografías de tórax. El sistema demostró un rendimiento comparable al de los radiólogos reporteros históricos y es de libre acceso para la comunidad investigadora, lo que contribuye al avance de las aplicaciones de IA en radiología.

Revisar la Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides unirte. nuestro SubReddit de 34k+ ML, 41k+ comunidad de Facebook, Canal de discordia, y Boletín electrónicodonde compartimos las últimas noticias sobre investigaciones de IA, interesantes proyectos de IA y más.

Si te gusta nuestro trabajo, te encantará nuestra newsletter.