La detección asistida por computadora ( CADe ), también llamada diagnóstico asistido por computadora ( CADx ), son sistemas que ayudan a los médicos en la interpretación de imágenes médicas . Las técnicas de imagen en radiología , resonancia magnética , endoscopia y diagnóstico por ultrasonidos proporcionan una gran cantidad de información que el radiólogo u otro profesional médico debe analizar y evaluar de forma exhaustiva en poco tiempo. Los sistemas CAD procesan imágenes digitales o videos para obtener apariencias típicas y resaltar secciones llamativas, como posibles enfermedades, con el fin de ofrecer información que respalde una decisión tomada por el profesional.
La tecnología CAD también tiene posibles aplicaciones futuras en patología digital con la llegada de imágenes de portaobjetos completos y algoritmos de aprendizaje automático . Hasta ahora, su aplicación se ha limitado a la cuantificación de la tinción inmunológica , pero también se está investigando para la tinción estándar H&E . [1]
El CAD es una tecnología interdisciplinaria que combina elementos de inteligencia artificial y visión artificial con el procesamiento de imágenes radiológicas y patológicas . Una aplicación típica es la detección de un tumor. Por ejemplo, algunos hospitales utilizan el CAD para respaldar los controles médicos preventivos en mamografías (diagnóstico de cáncer de mama), la detección de pólipos en colonoscopias y el cáncer de pulmón .
Los sistemas de detección asistida por computadora (CADe) generalmente se limitan a marcar estructuras y secciones llamativas. Los sistemas de diagnóstico asistido por computadora (CADx) evalúan las estructuras llamativas. Por ejemplo, en la mamografía, el CAD resalta los grupos de microcalcificaciones y las estructuras hiperdensas en el tejido blando. Esto permite al radiólogo sacar conclusiones sobre el estado de la patología. Otra aplicación es el CADq, que cuantifica, por ejemplo , el tamaño de un tumor o el comportamiento del tumor en la captación del medio de contraste. El triaje simple asistido por computadora (CAST) es otro tipo de CAD, que realiza una interpretación inicial y un triaje completamente automáticos de los estudios en algunas categorías significativas ( por ejemplo, negativo y positivo). El CAST es particularmente aplicable en el diagnóstico por imágenes de emergencia, donde se requiere un diagnóstico rápido de una condición crítica que amenaza la vida.
Aunque el CAD se ha utilizado en entornos clínicos durante más de 40 años, por lo general no sustituye al médico ni a otro profesional, sino que desempeña un papel de apoyo. El profesional (generalmente un radiólogo) suele ser responsable de la interpretación final de una imagen médica. [2] Sin embargo, el objetivo de algunos sistemas CAD es detectar los signos más tempranos de anomalía en los pacientes que los profesionales humanos no pueden detectar, como en el caso de la retinopatía diabética, la distorsión arquitectural en las mamografías, [3] [4] los nódulos en vidrio esmerilado en la TC torácica, [5] [6] y las lesiones no polipoides ("planas") en la colonografía por TC. [7]
A finales de la década de 1950, con el surgimiento de las computadoras modernas, los investigadores de diversos campos comenzaron a explorar la posibilidad de construir sistemas de diagnóstico médico asistidos por computadora (CAD). [8] Estos primeros sistemas CAD utilizaban diagramas de flujo, comparación de patrones estadísticos, teoría de la probabilidad o bases de conocimiento para impulsar su proceso de toma de decisiones. [9]
A principios de la década de 1970, se desarrollaron algunos de los primeros sistemas CAD en medicina, a los que a menudo se denominaba “ sistemas expertos ” en medicina, y se utilizaron principalmente con fines educativos. Algunos ejemplos incluyen el sistema experto MYCIN [10] , el sistema experto Internist-I [11] y el CADUCEUS (sistema experto) . [12]
Al principio de los primeros desarrollos, los investigadores tenían como objetivo construir sistemas expertos/CAD totalmente automatizados. La capacidad esperada de las computadoras era demasiado optimista entre estos científicos. Sin embargo, después del artículo innovador “Reducibility among Combinatorial Problems” de Richard M. Karp [13] , quedó claro que existían limitaciones, pero también oportunidades potenciales cuando se desarrollan algoritmos para resolver grupos de problemas computacionales importantes. [9]
Como resultado de la nueva comprensión de las diversas limitaciones algorítmicas que Karp descubrió a principios de la década de 1970, los investigadores comenzaron a darse cuenta de las graves limitaciones que tienen los sistemas CAD y expertos en medicina. [9] El reconocimiento de estas limitaciones llevó a los investigadores a desarrollar nuevos tipos de sistemas CAD mediante el uso de enfoques avanzados. Por lo tanto, a fines de la década de 1980 y principios de la de 1990, el enfoque se centró en el uso de enfoques de minería de datos con el fin de utilizar sistemas CAD más avanzados y flexibles.
En 1998, la Administración de Alimentos y Medicamentos de Estados Unidos (FDA) aprobó el primer sistema CAD comercial para mamografías, el sistema ImageChecker. En los años siguientes, varios sistemas CAD comerciales para analizar mamografías, resonancias magnéticas de mamas y técnicas de diagnóstico por imagen de pulmón, colon y corazón también recibieron la aprobación de la FDA. En la actualidad, los sistemas CAD se utilizan como ayuda diagnóstica para que los médicos puedan tomar mejores decisiones médicas. [14]
El CAD se basa fundamentalmente en un reconocimiento de patrones muy complejo . Se escanean imágenes de rayos X u otros tipos en busca de estructuras sospechosas. Normalmente se necesitan unos miles de imágenes para optimizar el algoritmo. Los datos de imágenes digitales se copian en un servidor CAD en formato DICOM y se preparan y analizan en varios pasos.
1. Preprocesamiento para
2. Segmentación para
3. Estructura/ROI (Región de interés) Analizar Cada región detectada se analiza individualmente para detectar características especiales:
4. Evaluación/clasificación Después de analizar la estructura, se evalúa cada ROI individualmente (puntuación) para determinar la probabilidad de un TP. Los siguientes procedimientos son ejemplos de algoritmos de clasificación.
Si las estructuras detectadas han alcanzado un determinado nivel de umbral, se resaltan en la imagen para el radiólogo. Según el sistema CAD, estas marcas se pueden guardar de forma permanente o temporal. La ventaja de esto último es que solo se guardan las marcas que el radiólogo aprueba. No se deben guardar los resultados falsos, ya que en ese caso se dificulta un examen posterior.
Los sistemas CAD buscan resaltar las estructuras sospechosas. Los sistemas CAD actuales no pueden detectar el 100% de los cambios patológicos. La tasa de aciertos ( sensibilidad ) puede ser de hasta el 90% dependiendo del sistema y la aplicación. [24] Un acierto correcto se denomina Verdadero Positivo (TP), mientras que el marcado incorrecto de secciones sanas constituye un Falso Positivo (FP). Cuanto menos FP se indiquen, mayor será la especificidad . Una baja especificidad reduce la aceptación del sistema CAD porque el usuario tiene que identificar todos estos aciertos erróneos. La tasa de FP en los exámenes de visión general de los pulmones (CAD Chest) podría reducirse a 2 por examen. En otros segmentos ( por ejemplo, exámenes de pulmón por TC) la tasa de FP podría ser de 25 o más. En los sistemas CAST, la tasa de FP debe ser extremadamente baja (menos de 1 por examen) para permitir un triage de estudio significativo .
La tasa de detección absoluta de un radiólogo es una métrica alternativa a la sensibilidad y la especificidad. En general, los resultados de los ensayos clínicos sobre la sensibilidad, la especificidad y la tasa de detección absoluta pueden variar notablemente. El resultado de cada estudio depende de sus condiciones básicas y debe evaluarse en función de ellas. Los siguientes hechos tienen una fuerte influencia:
A pesar de los muchos avances que ha logrado el CAD desde los albores de las computadoras, todavía existen ciertos desafíos que los sistemas CAD enfrentan hoy en día. [25]
Algunos desafíos están relacionados con diversas limitaciones algorítmicas en los procedimientos de un sistema CAD, incluida la recopilación de datos de entrada, el preprocesamiento, el procesamiento y las evaluaciones del sistema. Los algoritmos generalmente están diseñados para seleccionar un único diagnóstico probable, lo que proporciona resultados subóptimos para pacientes con múltiples trastornos concurrentes. [26] Hoy en día, los datos de entrada para CAD provienen principalmente de registros médicos electrónicos (EHR). El diseño, la implementación y el análisis efectivos para EHR son una necesidad importante en cualquier sistema CAD. [25]
Debido a la enorme disponibilidad de datos y la necesidad de analizarlos, el big data es también uno de los mayores desafíos que enfrentan los sistemas CAD en la actualidad. La cantidad cada vez mayor de datos de pacientes es un problema grave. A menudo, los datos de los pacientes son complejos y pueden ser datos semiestructurados o no estructurados . Requiere enfoques altamente desarrollados para almacenarlos, recuperarlos y analizarlos en un tiempo razonable. [25]
Durante la etapa de preprocesamiento, los datos de entrada deben normalizarse. La normalización de los datos de entrada incluye la reducción y el filtrado de ruido .
El procesamiento puede contener algunos subpasos según las aplicaciones. Los tres subpasos básicos en la obtención de imágenes médicas son la segmentación, la extracción/selección de características y la clasificación. Estos subpasos requieren técnicas avanzadas para analizar los datos de entrada con menos tiempo de cálculo. Aunque se ha dedicado mucho esfuerzo a la creación de técnicas innovadoras para estos procedimientos de los sistemas CAD, no ha surgido un único algoritmo mejor para ningún paso individual. Es esencial realizar estudios en curso para crear algoritmos innovadores para todos los aspectos de los sistemas CAD. [25]
También existe una falta de medidas de evaluación estandarizadas para los sistemas CAD. [25] Este hecho puede causar dificultades para obtener la aprobación para uso comercial de organismos reguladores como la FDA . Además, si bien se han demostrado muchos avances positivos de los sistemas CAD, no se han confirmado los estudios para validar sus algoritmos para la práctica clínica. [27]
Otros desafíos están relacionados con la dificultad que tienen los proveedores de atención médica para adoptar nuevos sistemas CAD en la práctica clínica. Algunos estudios negativos pueden desalentar el uso de CAD. Además, la falta de capacitación de los profesionales de la salud sobre el uso de CAD a veces lleva a una interpretación incorrecta de los resultados del sistema. [a]
La CAD se utiliza en el diagnóstico de cáncer de mama , cáncer de pulmón , cáncer de colon , cáncer de próstata , metástasis óseas , enfermedad de la arteria coronaria , defectos cardíacos congénitos , detección patológica del cerebro, detección de fracturas, enfermedad de Alzheimer y retinopatía diabética .
La CAD se utiliza en la mamografía de detección (examen de rayos X de la mama femenina). La mamografía de detección se utiliza para la detección temprana del cáncer de mama. Los sistemas CAD se utilizan a menudo para ayudar a clasificar un tumor como maligno (canceroso) o benigno (no canceroso). La CAD está especialmente establecida en los EE. UU. y los Países Bajos y se utiliza además de la evaluación humana, generalmente por un radiólogo.
El primer sistema CAD para mamografía se desarrolló en un proyecto de investigación en la Universidad de Chicago . Hoy en día, lo ofrecen comercialmente iCAD y Hologic . Sin embargo, si bien logran altas sensibilidades, los sistemas CAD tienden a tener una especificidad muy baja y los beneficios de usar CAD siguen siendo inciertos. Una revisión sistemática de 2008 sobre la detección asistida por computadora en la mamografía de detección concluyó que el CAD no tiene un efecto significativo en la tasa de detección de cáncer, pero sí aumenta indeseablemente la tasa de repetición ( es decir , la tasa de falsos positivos). Sin embargo, observó una heterogeneidad considerable en el impacto en la tasa de repetición en los estudios. [28]
Los avances recientes en aprendizaje automático , aprendizaje profundo e inteligencia artificial han permitido el desarrollo de sistemas CAD que están clínicamente probados para ayudar a los radiólogos a abordar los desafíos de la lectura de imágenes mamográficas al mejorar las tasas de detección de cáncer y reducir los falsos positivos y los recordatorios innecesarios de pacientes, al tiempo que disminuyen significativamente los tiempos de lectura. [29]
También existen procedimientos para evaluar la mamografía basándose en la resonancia magnética (RM).
En el diagnóstico del cáncer de pulmón, la tomografía computarizada con sistemas CAD tridimensionales especiales se considera una segunda opinión adecuada. [30] En este caso, se prepara y analiza un conjunto de datos volumétricos con hasta 3000 imágenes individuales. Se pueden detectar lesiones redondas ( cáncer de pulmón , metástasis y cambios benignos) a partir de 1 mm. Hoy en día, todos los proveedores conocidos de sistemas médicos ofrecen soluciones correspondientes.
La detección temprana del cáncer de pulmón es valiosa. Sin embargo, la detección aleatoria del cáncer de pulmón en la etapa temprana (etapa 1) en la imagen de rayos X es difícil. Las lesiones redondas que varían de 5 a 10 mm se pasan por alto fácilmente. [31] La aplicación rutinaria de sistemas CAD de tórax puede ayudar a detectar pequeños cambios sin sospecha inicial. Varios investigadores desarrollaron sistemas CAD para la detección de nódulos pulmonares (lesiones redondas de menos de 30 mm) en radiografías de tórax [32] [33] [34] y TC, [35] [36] y sistemas CAD para el diagnóstico ( por ejemplo , distinción entre maligno y benigno) de nódulos pulmonares en TC. La obtención de imágenes virtuales de energía dual [37] [38] [39] [40] mejoró el rendimiento de los sistemas CAD en la radiografía de tórax. [41]
La CAD está disponible para la detección de pólipos colorrectales en el colon mediante colonografía por TC. [42] [43] Los pólipos son pequeños crecimientos que surgen del revestimiento interno del colon. La CAD detecta los pólipos identificando su forma característica de "bulto". Para evitar un exceso de falsos positivos, la CAD ignora la pared normal del colon, incluidos los pliegues haustrales .
Los métodos de última generación en computación cardiovascular, informática cardiovascular y modelado matemático y computacional pueden proporcionar herramientas valiosas para la toma de decisiones clínicas. [44] Los sistemas CAD con nuevos marcadores basados en análisis de imágenes como entrada pueden ayudar a los médicos vasculares a decidir con mayor confianza sobre el mejor tratamiento adecuado para los pacientes con enfermedades cardiovasculares .
La detección temprana confiable y la estratificación del riesgo de la aterosclerosis carotídea son de suma importancia para predecir accidentes cerebrovasculares en pacientes asintomáticos. [45] Con este fin, se han propuesto varios marcadores no invasivos y de bajo costo, utilizando características basadas en imágenes de ultrasonido . [46] Estos combinan ecogenicidad , textura y movimiento [47] [48] [49] [50] características para ayudar a la decisión clínica hacia una mejor predicción, evaluación y manejo del riesgo cardiovascular. [51]
La CAD está disponible para la detección automática de enfermedad coronaria arterial significativa (que causa más del 50 % de estenosis ) en estudios de angiografía coronaria por TC (CCTA). [52]
La detección temprana de una patología puede ser la diferencia entre la vida y la muerte. La CADe se puede realizar mediante auscultación con un estetoscopio digital y un software especializado, también conocida como auscultación asistida por computadora . Los soplos, sonidos cardíacos irregulares, causados por la sangre que fluye a través de un corazón defectuoso, se pueden detectar con alta sensibilidad y especificidad. La auscultación asistida por computadora es sensible al ruido externo y a los sonidos corporales y requiere un entorno casi silencioso para funcionar con precisión.
Chaplot et al. fueron los primeros en utilizar los coeficientes de la Transformada Wavelet Discreta (DWT) para detectar cerebros patológicos. [53] Maitra y Chatterjee emplearon la transformada Slantlet, que es una versión mejorada de la DWT. Su vector de características de cada imagen se crea considerando las magnitudes de los resultados de la transformada Slantlet correspondientes a seis posiciones espaciales elegidas de acuerdo con una lógica específica. [54]
En 2010, Wang y Wu presentaron un método basado en redes neuronales avanzadas (FNN) para clasificar una imagen cerebral obtenida por resonancia magnética como normal o anormal. Los parámetros de la FNN se optimizaron mediante optimización adaptativa de enjambre de partículas caóticas (ACPSO). Los resultados de más de 160 imágenes mostraron que la precisión de la clasificación fue del 98,75 %. [55]
En 2011, Wu y Wang propusieron utilizar DWT para la extracción de características, PCA para la reducción de características y FNN con colonia de abejas artificial caótica escalada (SCABC) como clasificador. [56]
En 2013, Saritha et al. fueron los primeros en aplicar la entropía wavelet (WE) para detectar cerebros patológicos. Saritha también sugirió utilizar gráficos de telaraña. [57] Más tarde, Zhang et al. demostraron que la eliminación de los gráficos de telaraña no influía en el rendimiento. [58] Se aplicó el método de búsqueda de patrones genéticos para identificar cerebros anormales a partir de controles normales. Su precisión de clasificación se informó como 95,188%. [59] Das et al. propusieron utilizar la transformada Ripplet. [60] Zhang et al. propusieron utilizar la optimización de enjambre de partículas (PSO). [61] Kalbkhani et al. sugirieron utilizar el modelo GARCH. [62]
En 2014, El-Dahshan et al. sugirieron el uso de redes neuronales acopladas a pulsos. [63]
En 2015, Zhou et al. sugirieron la aplicación del clasificador Bayes ingenuo para detectar cerebros patológicos. [64]
Los CAD se pueden utilizar para identificar sujetos con Alzheimer y deterioro cognitivo leve y diferenciarlos de controles ancianos normales.
En 2014, Padma et al . utilizaron características de textura estadística wavelet combinadas para segmentar y clasificar cortes de tumores benignos y malignos de AD. [57] Zhang et al. encontraron que el árbol de decisión de la máquina de vectores de soporte de kernel tenía una precisión de clasificación del 80%, con un tiempo de cálculo promedio de 0,022 s para cada clasificación de imagen. [65]
En 2019, Signaevsky et al . informaron por primera vez sobre una red completamente convolucional (FCN) entrenada para la detección y cuantificación de ovillos neurofibrilares (NFT) en la enfermedad de Alzheimer y una variedad de otras tauopatías. La FCN entrenada logró una alta precisión y recuperación en la segmentación semántica de imágenes de diapositivas completas digitales (WSI) ingenuas, identificando correctamente los objetos NFT utilizando un modelo SegNet entrenado para 200 épocas. La FCN alcanzó una eficiencia casi práctica con un tiempo de procesamiento promedio de 45 minutos por WSI por unidad de procesamiento de gráficos (GPU) , lo que permitió una detección confiable y reproducible a gran escala de NFT. El rendimiento medido en datos de prueba de ocho WSI ingenuas en varias tauopatías resultó en la recuperación, precisión y una puntuación F1 de 0,92, 0,72 y 0,81, respectivamente. [66]
El cerebro propio es una característica novedosa del cerebro que puede ayudar a detectar la enfermedad de Alzheimer, basándose en el análisis de componentes principales (PCA) [67] o la descomposición del análisis de componentes independientes . [68] Se ha demostrado que el SVM de núcleo polinomial logra una buena precisión. El KSVM polinomial tiene un mejor rendimiento que el SVM lineal y el SVM de núcleo RBF. [69] Otros enfoques con resultados aceptables implican el uso del análisis de textura, [70] características morfológicas, [71] o características estadísticas de alto orden [72]
El sistema CADx está disponible para imágenes de medicina nuclear. Existen sistemas CADx comerciales para el diagnóstico de metástasis óseas en exploraciones óseas de cuerpo entero y de enfermedad de la arteria coronaria en imágenes de perfusión miocárdica. [73]
Con una alta sensibilidad y una tasa aceptable de detección de lesiones falsas, el sistema de detección automática de lesiones asistido por computadora ha demostrado ser útil y probablemente en el futuro podrá ayudar a los médicos de medicina nuclear a identificar posibles lesiones óseas. [74]
La retinopatía diabética es una enfermedad de la retina que se diagnostica predominantemente mediante imágenes del fondo de ojo. Los pacientes diabéticos en los países industrializados generalmente se someten a exámenes de detección de esta afección de forma regular. Las imágenes se utilizan para reconocer signos tempranos de vasos sanguíneos anormales en la retina. El análisis manual de estas imágenes puede requerir mucho tiempo y ser poco confiable. [75] [76] Se ha empleado CAD para mejorar la precisión, la sensibilidad y la especificidad del método de detección automatizado. El uso de algunos sistemas CAD para reemplazar a los clasificadores humanos puede ser seguro y rentable. [76]
El preprocesamiento de imágenes y la extracción y clasificación de características son dos etapas principales de estos algoritmos CAD. [77]
La normalización de la imagen minimiza la variación en toda la imagen. Se ha informado que las variaciones de intensidad en áreas entre la periferia y la región macular central del ojo causan inexactitud en la segmentación de los vasos. [78] Según la revisión de 2014, esta técnica fue la más utilizada y apareció en 11 de 40 investigaciones primarias publicadas recientemente (desde 2011). [77]
La ecualización del histograma es útil para mejorar el contraste dentro de una imagen. [80] Esta técnica se utiliza para aumentar el contraste local. Al final del procesamiento, las áreas que estaban oscuras en la imagen de entrada se aclararían, mejorando en gran medida el contraste entre las características presentes en el área. Por otro lado, las áreas más brillantes en la imagen de entrada permanecerían brillantes o se reduciría su brillo para igualarse con las otras áreas de la imagen. Además de la segmentación de los vasos, otras características relacionadas con la retinopatía diabética se pueden separar aún más utilizando esta técnica de preprocesamiento. Los microaneurismas y las hemorragias son lesiones rojas, mientras que los exudados son manchas amarillas. Aumentar el contraste entre estos dos grupos permite una mejor visualización de las lesiones en las imágenes. Con esta técnica, la revisión de 2014 encontró que 10 de las 14 investigaciones primarias publicadas recientemente (desde 2011) [77]
El filtrado del canal verde es otra técnica que resulta útil para diferenciar lesiones en lugar de vasos. Este método es importante porque proporciona el máximo contraste entre las lesiones relacionadas con la retinopatía diabética. [81] Los microaneurismas y las hemorragias son lesiones rojas que aparecen oscuras después de la aplicación del filtrado del canal verde. Por el contrario, los exudados, que aparecen amarillos en una imagen normal, se transforman en manchas blancas brillantes después del filtrado verde. Esta técnica es la más utilizada según la revisión de 2014, y aparece en 27 de los 40 artículos publicados en los últimos tres años. [77] Además, el filtrado del canal verde se puede utilizar para detectar el centro del disco óptico junto con el sistema de doble ventana. [ cita requerida ]
La corrección de la iluminación no uniforme es una técnica que se utiliza para ajustar la iluminación no uniforme en la imagen del fondo de ojo. La iluminación no uniforme puede ser un error potencial en la detección automática de la retinopatía diabética debido a los cambios en las características estadísticas de la imagen. [77] Estos cambios pueden afectar el procesamiento posterior, como la extracción de características, y no son observables por los humanos. La corrección de la iluminación no uniforme (f') se puede lograr modificando la intensidad del píxel utilizando la intensidad del píxel original conocida (f) y las intensidades promedio de los píxeles locales (λ) y deseados (μ) (consulte la fórmula a continuación). [82] Luego se aplica la transformación de Walter-Klein para lograr la iluminación uniforme. [82] Esta técnica es el método de preprocesamiento menos utilizado en la revisión de 2014.
Las operaciones morfológicas son el segundo método de preprocesamiento menos utilizado en la revisión de 2014. [77] El objetivo principal de este método es proporcionar una mejora del contraste, especialmente en las regiones más oscuras en comparación con el fondo.
Después del preprocesamiento de la imagen del fondo de ojo, la imagen se analizará más a fondo utilizando diferentes métodos computacionales. Sin embargo, la literatura actual coincide en que algunos métodos se utilizan con más frecuencia que otros durante los análisis de segmentación de vasos. Estos métodos son SVM, multiescala, seguimiento de vasos, enfoque de crecimiento de regiones y enfoques basados en modelos.
La máquina de vectores de soporte es, con diferencia, el clasificador más utilizado en la segmentación de vasos sanguíneos, hasta en el 90% de los casos. [ cita requerida ] La máquina de vectores de soporte es un modelo de aprendizaje supervisado que pertenece a la categoría más amplia de técnicas de reconocimiento de patrones. El algoritmo funciona creando una brecha más grande entre muestras distintas en los datos. El objetivo es crear la brecha más grande entre estos componentes que minimice el error potencial en la clasificación. [83] Para segregar con éxito la información de los vasos sanguíneos del resto de la imagen del ojo, el algoritmo de la máquina de vectores de soporte crea vectores de soporte que separan el píxel del vaso sanguíneo del resto de la imagen a través de un entorno supervisado. La detección de vasos sanguíneos a partir de nuevas imágenes se puede realizar de manera similar utilizando vectores de soporte. La combinación con otras técnicas de preprocesamiento, como el filtrado de canal verde, mejora en gran medida la precisión de la detección de anomalías en los vasos sanguíneos. [77] Algunas propiedades beneficiosas de la máquina de vectores de soporte incluyen [83]
El enfoque multiescala es un enfoque de resolución múltiple en la segmentación de vasos. Con una resolución baja, primero se pueden extraer los vasos de gran diámetro. Al aumentar la resolución, se pueden reconocer fácilmente las ramas más pequeñas de los vasos grandes. Por lo tanto, una ventaja de utilizar esta técnica es la mayor velocidad analítica. [75] Además, este enfoque se puede utilizar con imágenes 3D. La representación de la superficie es una superficie normal a la curvatura de los vasos, lo que permite la detección de anomalías en la superficie de los vasos. [ cita requerida ]
El seguimiento de los vasos sanguíneos es la capacidad del algoritmo para detectar la "línea central" de los vasos sanguíneos. Estas líneas centrales son el pico máximo de la curvatura de los vasos sanguíneos. Los centros de los vasos sanguíneos se pueden encontrar utilizando la información direccional proporcionada por el filtro gaussiano. [ cita requerida ] Los enfoques similares que utilizan el concepto de línea central son los basados en el esqueleto y en la geometría diferencial. [75]
El enfoque de crecimiento de regiones es un método para detectar píxeles vecinos con similitudes. Se requiere un punto de semilla para que este método comience. Se necesitan dos elementos para que esta técnica funcione: similitud y proximidad espacial. Es probable que un píxel vecino al píxel semilla con una intensidad similar sea del mismo tipo y se agregue a la región de crecimiento. Una desventaja de esta técnica es que requiere la selección manual del punto de semilla, lo que introduce sesgo e inconsistencia en el algoritmo. [75] Esta técnica también se está utilizando en la identificación de discos ópticos. [ cita requerida ]
Los enfoques basados en modelos emplean la representación para extraer vasos de las imágenes. Se conocen tres amplias categorías de métodos basados en modelos: deformables, paramétricos y de coincidencia de plantillas. [75] Los métodos deformables utilizan objetos que se deformarán para adaptarse a los contornos de los objetos en la imagen. Los paramétricos utilizan parámetros geométricos como la representación tubular, cilíndrica o elipsoide de los vasos sanguíneos. El contorno de serpiente clásico en combinación con la información topológica de los vasos sanguíneos también se puede utilizar como un enfoque basado en modelos. [84] Por último, la coincidencia de plantillas es el uso de una plantilla, ajustada mediante un proceso de deformación estocástica utilizando el modo oculto de Markov 1.
La automatización del trabajo de diagnóstico médico (por ejemplo, la cuantificación de glóbulos rojos ) tiene algunos precedentes históricos. [85] La revolución del aprendizaje profundo de la década de 2010 ya ha producido una IA que es más precisa en muchas áreas del diagnóstico visual que los radiólogos y dermatólogos, y se espera que esta brecha crezca.
Algunos expertos, incluidos muchos médicos, descartan los efectos que tendrá la IA en las especialidades médicas.
Por el contrario, muchos economistas y expertos en inteligencia artificial creen que campos como la radiología se verán afectados de forma masiva, con desempleo o presión a la baja sobre los salarios de los radiólogos; los hospitales necesitarán menos radiólogos en general, y muchos de los radiólogos que aún existen requerirán una importante capacitación. Geoffrey Hinton , el "padrino del aprendizaje profundo", sostiene que a la luz de los probables avances esperados en los próximos cinco o diez años, los hospitales deberían dejar de capacitar a los radiólogos de inmediato, ya que su capacitación en diagnóstico visual, que requiere mucho tiempo y es costosa, pronto quedará obsoleta en su mayor parte, lo que conducirá a un exceso de radiólogos tradicionales. [86] [87]
Un artículo de opinión en JAMA sostiene que los patólogos y radiólogos deberían fusionarse en un único rol de " especialista en información ", y afirma que "para evitar ser reemplazados por computadoras, los radiólogos deben permitir que las computadoras los reemplacen". Los especialistas en información serían capacitados en " lógica bayesiana , estadística , ciencia de datos " y algo de genómica y biometría ; el reconocimiento manual de patrones visuales perdería importancia en comparación con la onerosa capacitación actual en radiología. [88]
{{cite journal}}: CS1 maint: numeric names: authors list (link){{cite journal}}: CS1 maint: year (link)