Detección de hemorragia intracraneal en tomografías avanzadas de la cabeza con la inclusión del flujo de trabajo clínico.

La hemorragia intracraneal (HIC) es una afección, intra-axial o extra-axial, con una carga clínica considerable, por lo que es fundamental su diagnóstico precoz pues alrededor de la mitad de la mortalidad es generada en las primeras 24 horas. En este artículo se habla acerca de la implementación de un algoritmo de inteligencia artificial para detectar una HIC por medio de una base de datos clínicos de estudios de TC de cabeza, con el fin de optimizar el flujo de trabajo de radiología,  disminuyendo el tiempo de diagnóstico, e identificando aquellas que los radiólogos pasan por alto.

Métodos

Para entrenar al algoritmo se recopilaron 46,583 estudios de TC craneal no contrastados, de 31,256 adultos. Todos debían contar con un informe con diagnóstico clínico completo y al menos 20 cortes axiales 2D; con interpolaciones spline cúbicas, todos los estudios adquirieron una dimensionalidad de 24 x 256 x 256. Las etiquetas binarias se asignaron por estudio de imagen de TAC craneal y fueron deducidas a partir de los informes radiológicos clínicos por un radiólogo.

Resultados

El algoritmo fue capaz de reconocer una amplia gama de casos de HIC a pesar de la variabilidad de los datos que se registraron clínicamente. En un periodo de tres meses se analizaron 347 estudios de TC craneal denominados como rutinarios, donde la precisión del algoritmo se calculó de un 84%, mientras que la sensibilidad y la especificidad de un 70% y 87%, respectivamente. Cabe mencionar que de estos casos, 94 se clasificaron como “stat”, que es el nivel crítico más alto,  de los cuales 60 se declararon con presencia de HIC por un radiólogo. En cuanto al tiempo de procesamiento y detección de HIC, se determinó que fue de 2,3 segundos; para los estudios “stat” la interpretación clínica se llevó a cabo en 19 minutos.

Discusión

Se destaca la funcionalidad del algoritmo implementado, el cual identificó varios casos de HIC sin contar con información como la posición de la hemorragia, características del paciente o los criterios de adquisición de las imágenes. Además, se propone su uso en próximos estudios para beneficiar a los pacientes que se encuentren internados que requieran alguna intervención neuroquirúrgica y posteriormente un seguimiento para controlar la evolución de la HIC.

Por otra parte, la ventaja del uso del Deep Learning basado en CAD, es su capacidad de aprender y extraer de forma automática niveles de abstracción a través de imágenes no procesadas basadas en datos, en lugar de emplear funciones elaboradas a mano. De esta manera el algoritmo que detecta una HIC y está fundamentado en Deep Learning, afectaría los tiempos que se toman para una lectura de radiología e incluso, los falsos positivos arrojados por este pero no detectado por el radiólogo, se pueden tomar como probable HIC con por lo menos una confianza razonable, lo que podría ayudar con las hemorragias sutiles pasadas por alto que podrían ser clínicamente procesables y más adelante necesitar de un estudio más profundo.  

Conclusiones

Para mejorar las limitaciones presentadas, se plantea el uso de una cantidad grande de lecturas por parte de los radiólogos mediante crowdsourcing para aumentar la precisión de los diagnósticos. Por otro lado, debido a que el algoritmo detecta la HIC pero no especifica su ubicación exacta, se mencionan dos métodos que podrían funcionar mientras se desarrollen para imágenes en 3D: la red neuronal convolucional basada en regiones (R-CNN) y el mapa de activación de clases ponderado por gradientes (GRAD-CAM). Esto facilitaría la evaluación e interpretación del radiólogo especialmente cuando no lo puede observar pero el algoritmo sí. Finalmente, contando con una mayor cantidad de GPUs se podrían incluir modelos con mayor complejidad, cortes complementarios y matrices más extensas, para incrementar el rendimiento.

Traducido y adaptado de: Arbabshirani, M. R., Fornwalt, B. K., Mongelluzzo, G. J., Suever, J. D., Geise, B. D., Patel, A. A., & Moore, G. J. (2018). Advanced machine learning in action: identification of intracranial hemorrhage on computed tomography scans of the head with clinical workflow integration. NPJ digital medicine, 1(1), 1-7.