Un método basado en Deep Learning para el diagnóstico de fracturas vertebrales utilizando imágenes de resonancia magnética de columna vertebral

Introducción

Las fracturas vertebrales benignas y malignas en ocasiones pueden presentar características semejantes, resultando en un desafío importante en el sector del diagnóstico médico. En los últimos años, se han desarrollado métodos de análisis basados en el aprendizaje automático y la Inteligencia Artificial para localizar y clasificar anatómicamente las fracturas vertebrales en imágenes médicas. El objetivo del presente estudio es aplicar un algoritmo de Deep Learning automático para distinguir entre el tipo de fracturas antes mencionadas. Los resultados fueron evaluados mediante la comparación con el diagnóstico realizado por tres radiólogos con distinto nivel de formación.

Métodos

Resonancia Magnética aplicada a los pacientes

Para una estandarización general del estudio, a los pacientes evaluados se les realizó una resonancia magnética con el mismo tipo de equipo. Este se trató de un escáner de 1.5T (Teslas: unidad estándar para evaluar el flujo magnético). Adicional a esto, las secuencias y parámetros de obtención de imagen también fueron los mismos para generar una base de datos concreta. En la figura 1, se pueden observar las fases de la investigación.

Figura 1.

Diagrama del análisis global. Los casos incluyen 50 pacientes malignos y 140 benignos, cada uno con imágenes de resonancia magnética. La lectura visual se realizó por 3 radiólogos para dar una impresión diagnóstica a cada caso. El análisis de Deep Learning se realiza utilizando la arquitectura ResNet50, evaluada mediante validación cruzada.

En la figura se puede observar en primera instancia, del lado izquierdo, el proceso de adquisición de las imágenes de resonancia magnética de los pacientes incluyendo las fracturas benignas y malignas. Se presenta una fase media donde los especialistas de distinto nivel de preparación profesional realizan un diagnóstico a todas las resonancias. Al mismo tiempo se entrena la red de Deep Learning con sus respectivas fases (pre-procesamiento de imágenes para adquirir características esenciales, el aprendizaje con modelo ResNET50). Finalmente, se hace la configuración de entrenamiento con regularización.

Resultados

Los resultados del diagnóstico de los tres radiólogos y el análisis realizado por el sistema de Deep Learning se compararon para establecer los casos resultantes de verdaderos positivos (TP), verdaderos negativos (TN), falsos negativos (FN) y falsos positivos (FP). A partir de esto se calculó la sensibilidad, la especificidad y la precisión general. 

Los resultados de la red entrenada mostraron una sensibilidad de 94%, especificidad de 91% y precisión de 92%. Si bien no fueron porcentajes mayores al diagnóstico obtenido por los especialistas con mayor tiempo de preparación profesional, sus valores fueron cercanos a estos y considerablemente altos.

Conclusión

Este estudio se basó en la investigación del potencial del Deep Learning para diagnosticar fracturas vertebrales benignas y malignas. Como se pudo observar anteriormente, los resultados obtenidos fueron considerablemente elevados y considerables para una futura implementación en el campo clínico. Con el perfeccionamiento técnico y la mejora específica del modelo, pueden ser empleados como asistencia en la opinión/revisión de un estudio con el fin de apoyar a los especialistas en la administración de recursos y tiempo.

Traducido y adaptado de: Yeh, L. R., Zhang, Y., Chen, J. H., Liu, Y. L., Wang, A. C., Yang, J. Y., Yeh, W. C., Cheng, C. S., Chen, L. K. & Su, M. Y. (2022, 28 enero). A deep learning-based method for the diagnosis of vertebral fractures on spine MRI: retrospective training and validation of ResNet. European Spine Journal, 31(8), 2022-2030. https://doi.org/10.1007/s00586-022-07121-1