Inteligencia Artificial demuestra poder identificar fracturas invisibles a humanos en radiografías.
Esta herramienta puede ser capaz de detectar fracturas de poco tamaño que son invisibles para radiólogos y otros observadores humanos, de acuerdo con una nueva publicación de JAMA Network Open.
Fracturas escapulares son la más frecuente en las fracturas de muñeca, pero arriba del 20% no pueden ser vistas en la radiografía inicial. Estos errores pueden llevar a artritis y dolores debilitantes afectando la productividad y calidad de vida.
¿Qué se realizó en el estudio?
Para enfocarse en esta situación, investigadores de la Universidad de Michigan y el centro de inteligencia artificial y medicina ubicado en Taiwán diseñaron una red neuronal convolucional profunda para identificar pequeñas fracturas. Las pruebas lograron identificar más del 90% de fracturas ocultas.
“Se obtuvo de las pruebas una alta sensibilidad y especificad; sugiriendo que la red neuronal puede ser entrenada para ser una herramienta confiable al detectar fracturas pequeñas”. “Además, este estudio encontró que el DCNN puede detectar fracturas ocultas que no son visibles aún para los médicos. Esta capacidad mejorada para diagnóstico puede ayudar a resolver problemas médicos que sean de gran costo monetario y con riesgo de afectar la calidad de vida de la persona de una mejor manera”.
Alfred Yoon.
Para construir el modelo de IA, Yoon er al. Utilizaron un set de cerca 12,000 radiografías. Cerca de 5000 de ellas incluían una fractura de escápula mientras que las restantes 7000 no incluían, usando 2300 para las pruebas. En ese último set, la red neural logró un 87% de sensibilidad, 92% de especificidad y con un área bajo la curva de .955 al distinguir imágenes con fracturas de escápula. Para el final la IA lograba identificar 20 de cada 22 casos de manera exitosa, con una tasa de éxito del 91%.
Yoon AP, Lee Y, Kane RL, Kuo C, Lin C, Chung KC. Development and Validation of a Deep Learning Model Using Convolutional Neural Networks to Identify Scaphoid Fractures in Radiographs. JAMA Netw Open. 2021;4(5):e216096. doi:10.1001/jamanetworkopen.2021.6096
