Modelo de aprendizaje profundo para el diagnóstico asistido por computadora de la detección de urolitiasis a partir de imágenes de riñón-uréter-vejiga
Autores: Liu, Yi-Yang; Huang, Zih-Hao; Huang, Ko-Wei
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Modelo de aprendizaje profundo para el diagnóstico asistido por computadora de la detección de urolitiasis a partir de imágenes de riñón-uréter-vejiga
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Kub
Imagen
Urolitiasis
Cad
Aprendizaje profundo
Diagnóstico
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 29
Citaciones: Sin citaciones
La imagen de riñón-uréter-vejiga (KUB) es un examen radiológico con un bajo costo, baja radiación y conveniencia. Aunque los clínicos de la sala de emergencias pueden organizar fácilmente imágenes de KUB como un examen de primera línea para pacientes con urolitiasis sospechosa, interpretar correctamente las imágenes de KUB es difícil para clínicos inexpertos. Obtener un informe radiológico formal inmediatamente después de un examen de imagen de KUB también puede ser desafiante. Recientemente, se han desarrollado sistemas de diagnóstico asistido por computadora (CAD) basados en inteligencia artificial para ayudar a los clínicos que no son expertos a hacer diagnósticos correctos para un tratamiento adicional de manera más efectiva. Por lo tanto, en este estudio, propusimos un sistema CAD para imágenes de KUB basado en un modelo de aprendizaje profundo diseñado para ayudar a los clínicos de primera línea de la sala de emergencias a diagnosticar la urolitiasis con precisión. Un total de 355 imágenes de KUB fueron recolectadas retrospectivamente de 104 pacientes diagnosticados con urolitiasis en el Hospital Memorial de Kaohsiung Chang Gung. Luego, entrenamos un modelo de aprendizaje profundo con una arquitectura ResNet para clasificar imágenes de KUB en términos de la presencia o ausencia de cálculos renales con este conjunto de datos de imágenes preprocesadas. Finalmente, ajustamos los parámetros y probamos experimentalmente el modelo. Los resultados muestran que la precisión, sensibilidad, especificidad y medida F1 del modelo fueron 0,977, 0,953, 1 y 0,976 en el conjunto de validación y 0,982, 0,964, 1 y 0,982 en el conjunto de prueba, respectivamente. Además, los resultados demuestran que el modelo propuesto funcionó bien en comparación con los métodos existentes basados en CNN y pudo detectar con éxito la urolitiasis en imágenes de KUB. Esperamos que el enfoque propuesto ayude a los clínicos de la sala de emergencias a hacer diagnósticos precisos y reducir la exposición innecesaria a la radiación de las tomografías computarizadas (TC), junto con los costos médicos asociados.
Descripción
La imagen de riñón-uréter-vejiga (KUB) es un examen radiológico con un bajo costo, baja radiación y conveniencia. Aunque los clínicos de la sala de emergencias pueden organizar fácilmente imágenes de KUB como un examen de primera línea para pacientes con urolitiasis sospechosa, interpretar correctamente las imágenes de KUB es difícil para clínicos inexpertos. Obtener un informe radiológico formal inmediatamente después de un examen de imagen de KUB también puede ser desafiante. Recientemente, se han desarrollado sistemas de diagnóstico asistido por computadora (CAD) basados en inteligencia artificial para ayudar a los clínicos que no son expertos a hacer diagnósticos correctos para un tratamiento adicional de manera más efectiva. Por lo tanto, en este estudio, propusimos un sistema CAD para imágenes de KUB basado en un modelo de aprendizaje profundo diseñado para ayudar a los clínicos de primera línea de la sala de emergencias a diagnosticar la urolitiasis con precisión. Un total de 355 imágenes de KUB fueron recolectadas retrospectivamente de 104 pacientes diagnosticados con urolitiasis en el Hospital Memorial de Kaohsiung Chang Gung. Luego, entrenamos un modelo de aprendizaje profundo con una arquitectura ResNet para clasificar imágenes de KUB en términos de la presencia o ausencia de cálculos renales con este conjunto de datos de imágenes preprocesadas. Finalmente, ajustamos los parámetros y probamos experimentalmente el modelo. Los resultados muestran que la precisión, sensibilidad, especificidad y medida F1 del modelo fueron 0,977, 0,953, 1 y 0,976 en el conjunto de validación y 0,982, 0,964, 1 y 0,982 en el conjunto de prueba, respectivamente. Además, los resultados demuestran que el modelo propuesto funcionó bien en comparación con los métodos existentes basados en CNN y pudo detectar con éxito la urolitiasis en imágenes de KUB. Esperamos que el enfoque propuesto ayude a los clínicos de la sala de emergencias a hacer diagnósticos precisos y reducir la exposición innecesaria a la radiación de las tomografías computarizadas (TC), junto con los costos médicos asociados.