Un modelo avanzado de aprendizaje profundo que automatiza el análisis de rayos X para realizar evaluaciones más rápidas y precisas podría transformar el diagnóstico de la salud de la columna vertebral.
Capaz de manejar incluso casos complejos, la investigación promete ayudar a los médicos a ahorrar tiempo, reducir los errores de diagnóstico y mejorar los planes de tratamiento para pacientes con afecciones de la columna vertebral como escoliosis y cifosis.
“Aunque el análisis de la alineación espinopélvica ofrece perspectivas prometedoras, la investigación actual se basa en cohortes de pacientes relativamente pequeñas. La anotación automatizada podría permitir el análisis de cohortes más grandes, lo que llevaría a una mejor comprensión e identificación más clara de las tendencias existentes. Los enfoques basados en inteligencia artificial pueden complementar a los evaluadores humanos para lograr una mejor coherencia en las evaluaciones”, dijo el coautor del estudio Moritz Jokeit, candidato a doctorado en el Instituto de Biomecánica de la ETH de Zúrich.
Reimaginando el diagnóstico de la columna vertebral
La escoliosis es la afección espinal más común; aproximadamente 7 millones de personas en los EE. UU. y el 3 % a nivel mundial tienen un diagnóstico. Esta y otras desalineaciones espinales suelen causar dolor, limitar la movilidad y derivar en complicaciones de salud, como problemas respiratorios, lo que reduce la calidad de vida de la persona.
El diagnóstico y el seguimiento precisos son fundamentales para tratar eficazmente a los pacientes; sin embargo, los métodos tradicionales, como las mediciones de rayos X, las evaluaciones visuales y la confianza en la experiencia clínica, pueden requerir mucho trabajo, ser lentos e inconsistentes.
Los modelos de IA existentes tienen dificultades para abordar casos complejos de desalineación de la columna vertebral en pacientes con anatomía atípica. Estos pueden ser causados por afecciones congénitas, cirugía, degeneración o traumatismo.
Mapeo de la columna vertebral con IA
El estudio , publicado en Spine Deformity , aborda estas limitaciones mediante una arquitectura U-Net modificada, que utiliza un enfoque de segmentación avanzado e identifica las estructuras espinales clave. Esta arquitectura de IA combina detalles espaciales con su comprensión de las relaciones anatómicas, que recopila mediante el entrenamiento en conjuntos de datos anotados.
El modelo analiza radiografías (rayos X) tomadas de adelante hacia atrás y de lado para obtener una vista múltiple integral de la curvatura y alineación de la columna vertebral del paciente. A medida que encuentra las características anatómicas clave para predecir la alineación de la columna vertebral en las imágenes, como las vértebras, la pelvis, las articulaciones de la cadera y las regiones sacras, determina sus límites y formas.
Los investigadores entrenaron el modelo utilizando un conjunto de datos de 555 radiografías anotadas manualmente por expertos médicos, con 455 imágenes utilizadas para el entrenamiento y 100 para la prueba. Durante la inferencia, la inicialización del modelo tomó alrededor de cuatro segundos, mientras que la predicción de imágenes tomó menos de un segundo.
Una GPU NVIDIA RTX A6000 en el marco de aprendizaje profundo TensorFlow acelerado por cuDNN impulsó el procesamiento de imágenes de alta resolución y el entrenamiento acelerado del modelo. El equipo recibió la GPU como beneficiario del Programa de Becas Académicas de NVIDIA , que tiene como objetivo promover el mundo académico al brindar a los investigadores acceso y recursos informáticos de primer nivel.
El futuro de la atención
Los investigadores descubrieron que el modelo puede predecir con precisión las mediciones de alineación de la columna, incluso en casos difíciles que involucran anomalías, y lo hace en diferentes grupos etarios y regiones de la columna, lo que significa que es capaz en muchos casos de uso.
El modelo de IA, que arrojó resultados similares a los de los expertos, alcanzó una impresionante puntuación de fiabilidad del 88 % para predecir la curvatura de la columna vertebral. También tuvo un buen desempeño con otras mediciones de la columna vertebral, como la inclinación de la pelvis y la inclinación del sacro, con predicciones que diferían en un promedio de solo 3,3 grados en comparación con las mediciones manuales.
En general, el sistema analizó con éxito los datos de salud de la columna vertebral en el 61% de los casos, y algunas mediciones alcanzaron una confiabilidad casi perfecta de hasta el 99%.
El estudio destaca el potencial de la IA para agilizar los flujos de trabajo clínicos, ahorrar tiempo a los médicos al analizar rápidamente grandes volúmenes de radiografías y ayudar a diagnosticar casos difíciles.
Sin embargo, según Jokeit, el modelo requiere un mayor desarrollo. Los artefactos brillantes en los rayos X pueden comprometer la precisión de la segmentación en pacientes con implantes médicos, mientras que la calidad reducida de la imagen en pacientes obesos hace que sea más difícil distinguir entre estructuras anatómicas.
Los investigadores planean explorar cómo otras arquitecturas de modelos entrenados previamente, como el R-CNN de puntos clave o los modos basados en transformadores, extienden el enfoque a diferentes tipos de rayos X. También se centran en recopilar más datos de entrenamiento, especialmente para anatomías complejas y pacientes con implantes.
Contacte al autor correspondiente para solicitar el código utilizado en la investigación.
Lea la investigación Detección de puntos de referencia anatómicos en radiografías biplanares para predecir parámetros espinopélvicos .
Las postulaciones ya están abiertas para profesores de tiempo completo en instituciones académicas acreditadas que utilizan tecnología NVIDIA para procesar conjuntos de datos a gran escala, entrenar redes neuronales gráficas y acelerar proyectos en análisis de datos, robótica, 6G, aprendizaje federado y espacios inteligentes.
Recursos relacionados
- Curso DLI: Aprendizaje profundo para inspección industrial
- Sesión GTC: Diagnóstico precoz de la caquexia por cáncer utilizando el índice de composición corporal como biomarcador radiográfico
- Sesión de GTC: Creación de soluciones de hardware basadas en IA para aplicaciones de imágenes médicas
- Sesión de GTC: Optimización de su estrategia de IA para desarrollar e implementar nuevos modelos de aprendizaje profundo en la nube para el análisis de imágenes médicas
- Contenedores NGC: BodyMarker/PhenoBody
- SDK: API de nube de MONAI
NVIDIA Blog. M. H. Traducido al español
Contacto