Los investigadores de Stanford han desarrollado un algoritmo de aprendizaje profundo que evalúa las radiografías de tórax en busca de signos de enfermedad.
Los investigadores de Stanford han desarrollado un algoritmo que ofrece diagnósticos basados en imágenes de rayos X de tórax. Puede diagnosticar hasta 14 tipos de afecciones médicas y puede diagnosticar neumonía mejor que los radiólogos expertos que trabajan solos.
El 14 de noviembre se publicó un artículo sobre el algoritmo, llamado CheXNet, en el sitio web de preimpresión científica de acceso abierto arXiv.
“ Interpretar las imágenes de rayos X para diagnosticar patologías como la neumonía es un gran desafío, y sabemos que hay mucha variabilidad en los diagnósticos a los que llegan los radiólogos”, dijo Pranav Rajpurkar, estudiante de posgrado en el Grupo de aprendizaje automático de Stanford y codirector autor del artículo. “Nos interesamos en desarrollar algoritmos de aprendizaje automático que pudieran aprender de cientos de miles de diagnósticos de rayos X de tórax y realizar diagnósticos precisos”.
El trabajo utiliza un conjunto de datos públicos publicado inicialmente por el Centro Clínico de los Institutos Nacionales de Salud el 26 de septiembre. Ese conjunto de datos contiene 112,120 imágenes de rayos X de tórax de vista frontal etiquetadas con hasta 14 patologías posibles. Fue lanzado junto con un algoritmo que podía diagnosticar muchas de esas 14 patologías con cierto éxito, diseñado para alentar a otros a avanzar en ese trabajo. Tan pronto como vieron estos materiales, el Grupo de aprendizaje automático, un grupo dirigido por Andrew Ng, PhD, profesor adjunto de informática, supo que tenía su próximo proyecto.
Los investigadores, en colaboración con Matthew Lungren, MD, MPH, profesor asistente de radiología en la Facultad de Medicina , hicieron que cuatro radiólogos de Stanford anotaran de forma independiente 420 de las imágenes en busca de posibles indicaciones de neumonía. Los investigadores dijeron que optaron por centrarse en esta enfermedad, que lleva a 1 millón de estadounidenses al hospital cada año, según los Centros para el Control y la Prevención de Enfermedades, y es especialmente difícil de detectar en las radiografías. Mientras tanto, el equipo de Machine Learning Group se puso a trabajar en el desarrollo de un algoritmo que pudiera diagnosticar automáticamente las patologías.
En una semana, los investigadores tenían un algoritmo que diagnosticaba 10 de las patologías etiquetadas en las radiografías con mayor precisión que los resultados de última generación anteriores. En poco más de un mes, su algoritmo podría superar estos estándares en las 14 tareas de identificación. En ese corto lapso de tiempo, CheXNet también superó a los cuatro radiólogos de Stanford en el diagnóstico preciso de neumonía.
Table of Contents
¿Por Qué Usar Un Algoritmo?
A menudo, los tratamientos para enfermedades comunes pero devastadoras que ocurren en el tórax, como la neumonía, dependen en gran medida de cómo los médicos interpretan las imágenes radiológicas. Pero incluso los mejores radiólogos son propensos a realizar diagnósticos erróneos debido a los desafíos para distinguir entre enfermedades en base a las radiografías.
“La motivación detrás de este trabajo es tener un modelo de aprendizaje profundo para ayudar en la tarea de interpretación que podría superar las limitaciones intrínsecas de la percepción y el sesgo humanos, y reducir los errores”, explicó Lungren, coautor del artículo. “En términos más generales, creemos que un modelo de aprendizaje profundo para este propósito podría mejorar la prestación de atención médica en una amplia gama de entornos”.
Después de aproximadamente un mes de iteración continua, el algoritmo superó a los cuatro radiólogos individuales de Stanford en los diagnósticos de neumonía. Esto significa que los diagnósticos proporcionados por CheXNet coincidieron con el voto mayoritario de los radiólogos más a menudo que los de los radiólogos individuales. El algoritmo ahora tiene el rendimiento más alto de cualquier trabajo que haya surgido hasta ahora relacionado con el conjunto de datos de rayos X de tórax del NIH.
Muchas Opciones Para El Futuro
También detallado en su artículo arXiv, los investigadores han desarrollado una herramienta basada en computadora que produce lo que parece un mapa de calor de las radiografías de tórax, pero en lugar de representar la temperatura, los colores de estos mapas representan áreas que el algoritmo determina que son más probable que represente neumonía. Esta herramienta podría ayudar a reducir la cantidad de casos de neumonía perdidos y acelerar significativamente el flujo de trabajo de los radiólogos mostrándoles dónde buscar primero, lo que lleva a diagnósticos más rápidos para los pacientes más enfermos.
Paralelamente a otro trabajo que el grupo está haciendo con el diagnóstico de latidos cardíacos irregulares y datos de registros médicos electrónicos, los investigadores esperan que CheXNet pueda ayudar a las personas en áreas del mundo donde las personas podrían no tener fácil acceso a un radiólogo.
“Planeamos continuar construyendo y mejorando algoritmos médicos que pueden detectar anomalías automáticamente y esperamos poner a disposición del público conjuntos de datos médicos anónimos de alta calidad para que otros trabajen en problemas similares”, dijo Jeremy Irvin, estudiante de posgrado y codirector autor del artículo. “Existe un enorme potencial para que el aprendizaje automático mejore el sistema de atención médica actual, y queremos seguir estando a la vanguardia de la innovación en el campo”.
Otros coautores de Stanford de este artículo son Kaylie Zhu, Brandon Yang, Hershel Mehta, Tony Duan, Daisy Ding y Aarti Bagul del Machine Learning Group; Curtis Langlotz, MD, PhD, profesor de radiología; y Katie Shpanskaya, MD, ex estudiante de medicina. Lungren también es miembro de Stanford Bio-X, el Instituto de Investigación de Salud Infantil de Stanford y el Instituto del Cáncer de Stanford.
Por TAYLOR KUBOTA
Taylor Kubota es escritora científica del Stanford News Service.
Stanford Medicine integra la investigación, la educación médica y la atención médica en sus tres instituciones: la Escuela de Medicina de la Universidad de Stanford , Stanford Health Care (anteriormente Stanford Hospital & Clinics) y Lucile Packard Children’s Hospital Stanford . Para obtener más información, visite el sitio de la Oficina de Comunicación y Asuntos Públicos en http://mednews.stanford.edu .
Artículos Relacionados:
- Gundry MD 24 Strain Probiotic Review 2022 – Probiótico para apoyo digestivo
- Reseñas de Kiierr – Gorro láser 2022 para el crecimiento del cabello
- Golden Monk Kratom Vendor 2022: Reseñas de clientes, cepas, cupones
- Gundry MD Power Blues – Reseñas de suplementos de 2022 y guía de compra
- Los mejores terapeutas holísticos cerca de mí 2022: 5 asesoramiento espiritual
- Los mejores estetoscopios de 2022: reseñas de las 10 mejores marcas
Dr. Martin Passen, a dedicated nutrition educator with a master’s in nutrition education and nearing completion of a clinical nutrition and dietetics master’s. Passionate about sharing valuable information effectively.