MADRID 19 Feb. (EUROPA PRESS) -
Un grupo de investigadores del Departamento de Radiología del Hospital Universitario de Basilea (Suiza) ha desarrollado y probado un modelo de inteligencia artificial robusto, que segmenta automáticamente las principales estructuras anatómicas en imágenes de resonancia magnética, independientemente de la secuencia.
Así se recoge en un nuevo estudio publicado en 'Radiology', una revista de la Sociedad Radiológica de Norteamérica ( RSNA ). En el estudio, el modelo superó a otras herramientas disponibles públicamente.
La resonancia magnética proporciona imágenes detalladas del cuerpo humano y es esencial para diagnosticar diversas afecciones médicas, desde trastornos neurológicos hasta lesiones musculoesqueléticas. Para una interpretación detallada de las imágenes de resonancia magnética, los órganos, músculos y huesos en las imágenes se delinean o marcan, lo que se conoce como segmentación.
"Las imágenes de resonancia magnética se segmentaban tradicionalmente de forma manual, lo que supone un proceso que requiere mucho tiempo y un gran esfuerzo por parte de los radiólogos y está sujeto a la variabilidad entre lectores", cuenta el doctor Jakob Wasserthal, científico investigador del Departamento de Radiología del Hospital Universitario de Basilea. "Los sistemas automatizados pueden reducir potencialmente la carga de trabajo de los radiólogos, minimizar los errores humanos y proporcionar resultados más consistentes y reproducibles".
El doctor Wasserthal y su equipo crearon una herramienta de segmentación automatizada de código abierto llamada TotalSegmentator MRI basada en nnU-Net, un marco de autoconfiguración que ha establecido nuevos estándares en la segmentación de imágenes médicas. Se adapta a cualquier conjunto de datos nuevo con una mínima intervención del usuario, ajustando automáticamente su arquitectura, preprocesamiento y estrategias de entrenamiento para optimizar el rendimiento. Más de 300.000 usuarios en todo el mundo utilizan un modelo similar para TC (TotalSegmentator CT) para procesar más de 100.000 imágenes de TC al día.
En el estudio retrospectivo, los investigadores entrenaron TotalSegmentator MRI para proporcionar segmentaciones independientes de la secuencia de las principales estructuras anatómicas utilizando un conjunto de datos muestreados aleatoriamente de 616 exámenes de resonancia magnética y 527 de tomografía computarizada. El conjunto de entrenamiento incluyó segmentaciones de 80 estructuras anatómicas que normalmente se utilizan para medir el volumen, caracterizar enfermedades, planificar cirugías y realizar pruebas oportunistas.
"Nuestra innovación fue crear un gran conjunto de datos", agrega el doctor Wasserthal. "Utilizamos muchos más datos y segmentamos muchos más órganos, huesos y músculos de lo que se había hecho hasta ahora. Nuestro modelo también funciona en diferentes escáneres de resonancia magnética y configuraciones de adquisición de imágenes".
Para evaluar el rendimiento del modelo, se calcularon las puntuaciones Dice (que miden la similitud de dos conjuntos de datos) entre las segmentaciones previstas y los estándares de referencia de los radiólogos para las segmentaciones. El modelo tuvo un buen rendimiento en las 80 estructuras, con una puntuación Dice de 0,839 en un conjunto de pruebas de resonancia magnética interna. También superó significativamente a dos modelos de segmentación disponibles públicamente (0,862 frente a 0,838 y 0,560) y alcanzó el rendimiento de TotalSegmentator CT.
"Hasta donde sabemos, nuestro modelo es el único que puede segmentar automáticamente el mayor número de estructuras en las imágenes de resonancia magnética de cualquier secuencia", detalla el experto. "Es una herramienta que ayuda a mejorar el trabajo de los radiólogos, hace que las mediciones sean más precisas y permite realizar otras mediciones que hubieran llevado demasiado tiempo si se hicieran manualmente".
Además de la investigación y el desarrollo de productos de inteligencia artificial, el doctor Wasserthal señala que el modelo podría usarse potencialmente en el ámbito clínico para la planificación del tratamiento, el seguimiento de la progresión de la enfermedad y la detección oportunista.
