PACT-3D: un modelo de aprendizaje profundo 3D de alto rendimiento para la detección rápida y precisa del neumoperitoneo en tomografías computarizadas abdominales

Los retrasos o errores en el diagnóstico del neumoperitoneo, con aire fuera de los intestinos dentro de la cavidad peritoneal, pueden afectar gravemente la supervivencia y los resultados de salud del paciente. En los adultos, la mayoría de los casos se deben a una víscera perforada y hasta el 90% necesita intervención quirúrgica. Si bien las tomografías computarizadas son la herramienta de diagnóstico preferida por su alta precisión, los retrasos en la interpretación son comunes en los departamentos de emergencia concurridos. La variabilidad en la confianza y la interpretación del diagnóstico entre los residentes y los radiólogos tratantes puede contribuir a retrasos y diagnósticos erróneos. La IA ha demostrado potencial para mejorar la velocidad y la precisión en el análisis de imágenes médicas, aunque su eficacia para la detección del neumoperitoneo depende de una cuidadosa selección del conjunto de datos y de su continuo refinamiento.

Investigadores del Centro Médico Cedars-Sinai y del Far Eastern Memorial Hospital desarrollaron un modelo de aprendizaje profundo para detectar neumoperitoneo en imágenes de TC. El modelo, capacitado con datos del Far Eastern Memorial Hospital y validado en exploraciones recientes, logró una alta sensibilidad (0,81–0,83) y especificidad (0,97–0,99) en conjuntos de datos retrospectivos, prospectivos y externos, y la sensibilidad mejoró a 0,92–0,98 al excluir los casos. con un mínimo de aire libre. Además, introdujeron PACT-3D, un modelo 3D basado en UNet optimizado para la segmentación del neumoperitoneo. PACT-3D captura detalles espaciales en múltiples planos, ofreciendo predicciones precisas a nivel de paciente con segmentación a nivel de píxeles, lo que demuestra un sólido rendimiento en escenarios simulados y del mundo real.

El estudio cumplió con las pautas STARD y fue aprobado por las Juntas de Revisión Institucional del Far Eastern Memorial Hospital (IRB 111086-F) y el Centro Médico Cedars-Sinai (IRB STUDY00003494). El modelo funcionó sin alterar la atención estándar al paciente durante la fase de evaluación prospectiva. Los datos recopilados durante este período, incluidas las predicciones del modelo, se extrajeron posteriormente para su análisis. El conjunto de datos incluyó tomografías computarizadas abdominales con contraste del Far Eastern Memorial Hospital, recopiladas entre 2012 y 2021. Cada exploración se revisó para confirmar la presencia o ausencia de neumoperitoneo, y dos radiólogos verificaron los casos positivos. El rendimiento del modelo en el mundo real se evaluó desde diciembre de 2022 hasta mayo de 2023 utilizando datos prospectivos de la misma instalación.

La adquisición de datos involucró tomografías computarizadas que contenían contraste, escaneadas en el plano axial con un espesor de corte de 5 mm y cobertura abdominal. Se emplearon métodos de PNL para identificar informes relevantes y probar conjuntos con una proporción de 5:1:1, evitando la duplicación de datos entre conjuntos. Radiólogos experimentados completaron las anotaciones manuales del neumoperitoneo, seguidas de una revisión secundaria. Se desarrolló un modelo 3D U-Net para la segmentación, integrando una ruta de contratación para la comprensión contextual y una ruta de expansión para la localización detallada. Se utilizó el aumento de datos y una función combinada de pérdida de dados y focal para abordar el desequilibrio de clases, y la capacitación se realizó en una GPU Nvidia RTX A6000. Un optimizador de estimación de momento adaptativo (Adam) y un programador de tasa de aprendizaje de recocido de coseno mejoraron la estabilidad y la convergencia del entrenamiento del modelo.

El estudio analizó 139.781 tomografías computarizadas abdominales, de las cuales 973 mostraron neumoperitoneo, divididas en conjuntos de entrenamiento, validación y prueba en una proporción de 5:1:1. El rendimiento del modelo se validó con un conjunto prospectivo de 6351 exploraciones desde diciembre de 2022 hasta mayo de 2023. El modelo 3D U-Net mostró una puntuación F1 de 0,54 en el conjunto simulado y 0,58 en el conjunto prospectivo, con alta sensibilidad y especificidad. En la validación externa en el Centro Médico Cedars-Sinai, logró una puntuación F1 de 0,80. La sensibilidad aumentó con mayores volúmenes de aire libre y las predicciones positivas se correlacionaron con una mayor tasa de cirugías urgentes.

El estudio presenta PACT-3D, un modelo de aprendizaje profundo basado en U-Net 3D diseñado para detectar neumoperitoneo en tomografías computarizadas abdominales. A pesar de los diversos modelos de escáner y las variaciones geográficas, PACT-3D mostró un rendimiento sólido en varios conjuntos de pruebas, manteniendo una alta sensibilidad y especificidad. La arquitectura 3D del modelo permite una mejor diferenciación entre el aire libre y el gas intestinal, lo que respalda una detección confiable, especialmente en casos críticos que necesitan una intervención inmediata. Aunque eficaz, el modelo requiere perfeccionamiento para mejorar la sensibilidad a volúmenes más pequeños de aire libre. PACT-3D demuestra un gran potencial para mejorar la eficiencia del diagnóstico en la atención de emergencia, mejorando potencialmente los resultados clínicos.

Mira el Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo y únete a nuestro Canal de telegramas y LinkedIn Grarriba. Si te gusta nuestro trabajo, te encantará nuestro hoja informativa.. No olvides unirte a nuestro SubReddit de más de 55.000 ml.

(Revista/Informe AI) Lea nuestro último informe sobre ‘MODELOS DE LENGUAS PEQUEÑAS‘

A Sana Hassan, pasante de consultoría en Marktechpost y estudiante de doble titulación en IIT Madras, le apasiona aplicar la tecnología y la inteligencia artificial para abordar los desafíos del mundo real. Con un gran interés en resolver problemas prácticos, aporta una nueva perspectiva a la intersección de la IA y las soluciones de la vida real.