Inteligencia artificial para el diagnóstico por imagen en neurocirugía
Introducción
El propósito de este proyecto fue el desarrollo de un prototipo de un sistema de inteligencia artificial para dar un diagnóstico a través de la visualización, así como un monitoreo del tratamiento tras un proceso de neuro-oncología. Para realizar el proyecto se partió de un procedimiento diferencial por resonancia magnética de un proceso neuro-oncológico. Asimismo, se hizo uso de técnicas de morfometría para la adquisición de propiedades digitales de las alteraciones morfológicas oncológicas encontradas en los tejidos del sistema nervioso central.
Al utilizar la inteligencia artificial es importante considerar que requiere de una cantidad significante de bases de datos con imágenes marcadas. De esta forma es capaz de crear algoritmos que puedan brindar un diagnóstico adecuado y preciso. Por otra parte, se necesita que cumpla con algunas condiciones como datos clínicos exactos, imágenes con buena calidad y la misma cantidad en cuanto a grupos de género y raza.
Materiales y métodos
Para el proyecto se siguieron cinco etapas presentadas a continuación.
- Uso de estudios morfométricos y estereométricos de tumores cerebrales con la obtención de una determinada cantidad de variables dependientes e independientes.
- Producción de una evaluación estadística para definir una jerarquía de significación con las variables de estudio.
- Análisis matemático del funcionamiento de las variables de un elemento (s) para la elaboración de un sistema de datos lógicos. Este se representa con un modelo matemático que integre las variables para valorar la importancia de cada criterio del sistema con las declaraciones diagnósticas.
- Desarrollo de un modelo matemático optimizado para conseguir la prueba diagnóstica y conclusiones pronósticas más comprensivas.
- Axiomatización de las respuestas extraídas del modelo matemático. Es decir, la conversión de las hipótesis en esquemas y leyes comprobadas a raíz del Deep Learning.
Cabe destacar que la base de datos además de catalogar, compilar y registrar parámetros en función de su cantidad y naturaleza; se dividió en capas y grupos lógicos. Con ello, se pudieron realizar criterios estadísticos capaces de diferenciar entre grupos mediante evaluaciones de conglomerados.
Resultados y discusión
Se sabe que el cerebro está compuesto por estructuras complejas en las que cada área de tejido nervioso cuenta con una funcionalidad diferente. En consecuencia, surgen complicaciones en las evaluaciones del efecto de la fase de desarrollo de un tumor y la calidad de vida de un paciente después de someterse a una operación. Por ende, lo que se espera con el modelo propuesto es agilizar el diagnóstico, incrementar su especificidad y mejorar la precisión del diagnóstico diferencial de las patologías de neuro-oncología. Esto, a partir del desarrollo de biomarcadores existentes en las imágenes de resonancia magnética.
Traducido y adaptado de: A. Y. Letyagin et al., «Artificial Intelligence for Imaging Diagnostics in Neurosurgery,» 2019 International Multi-Conference on Engineering, Computer and Information Sciences (SIBIRCON), 2019, pp. 0336-0337, doi: 10.1109/SIBIRCON48586.2019.8958201
