La inteligencia artificial identifica con precisión las radiografías de tórax normales y anormales

Introducción

La radiografía de tórax es una prueba de diagnóstico por imágenes común y se usa de forma rutinaria para una variedad de hallazgos de enfermedades diferentes. En los últimos años, se ha prestado gran atención a la clasificación de imágenes con modelos de inteligencia artificial (IA) basados en aprendizaje profundo para radiología. Varios estudios se han centrado en desarrollar modelos para diferenciar entre una radiografía de tórax normal y una anormal. El foco de la investigación ha sido clasificar las radiografías y reducir el tiempo de respuesta en los estudios de simulación. Pero también se ha sugerido una descripción autónoma de radiografías de tórax normales sin interacción humana.

En estudios de viabilidad recientes, se ha sugerido que una herramienta de IA autónoma puede descartar correctamente anomalías con un alto nivel de confianza en aproximadamente el 15 % de la producción total de radiografías de tórax. Existe una creciente escasez mundial de radiólogos, y la automatización de la lectura de radiografías de tórax normales podría aliviar la carga de trabajo de los radiólogos. Sin embargo, esta área de investigación aún está en sus inicios y aún no hemos visto la adopción de los modelos disponibles en la clínica. El rendimiento de un modelo de IA de este tipo aún no se ha descrito en una muestra de pacientes clínicamente bien caracterizada y consecutiva con una comparación relevante con los estándares actuales de informes en radiología.

Nuestro objetivo fue realizar una evaluación en profundidad de una herramienta de IA comercialmente disponible para el informe autónomo de radiografías de tórax, frente a un estándar de referencia adjudicado en una muestra de pacientes consecutivos bien caracterizados para determinar (a) el número de informes de radiografías de tórax informados de forma autónoma, (b) la sensibilidad de la IA en la detección de radiografías de tórax anormales, y (c) el rendimiento de la IA en comparación con el informe de radiología clínica.

Informes autónomos de radiografías de tórax mediante IA: estimación del impacto clínico

Antecedentes

La interpretación automatizada de radiografías de tórax normales podría aliviar la carga de trabajo de los radiólogos. Sin embargo, no se ha establecido el rendimiento de una herramienta de inteligencia artificial (IA) de este tipo en comparación con los informes de radiología clínica.

Objetivo

Para realizar una evaluación externa de una herramienta de IA disponible comercialmente para (a) el número de radiografías de tórax informadas de forma autónoma, (b) la sensibilidad para la detección de IA de radiografías de tórax anormales, y (c) el rendimiento de IA en comparación con el de la clínica informes de radiología.

Materiales y métodos

En este estudio retrospectivo, se obtuvieron radiografías de tórax posteroanteriores consecutivas de pacientes adultos en cuatro hospitales de la región de la capital de Dinamarca en enero de 2020, incluidas imágenes de pacientes del departamento de emergencias, pacientes hospitalizados y pacientes ambulatorios.

Tres radiólogos torácicos etiquetaron las radiografías de tórax en un estándar de referencia basado en los hallazgos de la radiografía de tórax en las siguientes categorías: crítica, otras notables, sin complicaciones o normales (sin anomalías). AI clasificó las radiografías de tórax como normales de confianza alta (normales) o normales de confianza no alta (anormales).

Resultados

Se incluyeron para el análisis un total de 1529 pacientes (mediana de edad, 69 años [IQR, 55–69 años]; 776 mujeres), con 1100 (72 %) clasificados por el estándar de referencia con radiografías anormales, 617 (40 %) como con radiografías anormales críticas y 429 (28%) con radiografías normales.

Para la comparación, los informes de radiología clínica se clasificaron según el texto y se excluyeron los informes insuficientes (n = 22). La sensibilidad del AI fue del 99,1 % (IC del 95 %: 98,3, 99,6; 1090 de 1100 pacientes) para radiografías anormales y del 99,8 % (IC del 95 %: 99,1, 99,9; 616 de 617 pacientes) para radiografías críticas.

Las sensibilidades correspondientes para los informes del radiólogo fueron del 72,3 % (IC del 95 %: 69,5, 74,9; 779 de 1078 pacientes) y del 93,5 % (IC del 95 %: 91,2, 95,3; 558 de 597 pacientes), respectivamente. La especificidad de la IA y, por lo tanto, la posible tasa de notificación autónoma, fue del 28,0 % de todas las radiografías de tórax posteroanteriores normales (IC del 95 %: 23,8, 32,5; 120 de 429 pacientes) o del 7,8 % (120 de 1529 pacientes) de todas las radiografías de tórax posteroanteriores.

Imágenes en un hombre de 44 años que consultó por dolor torácico y disnea. (A) La radiografía de tórax muestra opacidades nodulares muy sutiles, principalmente en lóbulos inferiores, representativas de neumonía y un discreto signo de silueta del borde cardíaco derecho (flecha). El sistema de IA interpretó esta radiografía de tórax como normal. También se interpretó como normal en el informe clínico radiológico. (B) La tomografía computarizada muestra las opacidades del espacio aéreo del lóbulo inferior con una vaga morfología de árbol en brote (recuadro) y un área de consolidación (flecha). La angiografía pulmonar se realizó 5 horas después de la radiografía. Este fue el único hallazgo "crítico" falso negativo de la herramienta de IA.

Conclusión

De todas las radiografías de tórax posteroanteriores normales, el IA informó de forma autónoma el 28 % con una sensibilidad para cualquier anomalía superior al 99 %. Esto correspondió al 7,8% de toda la producción de radiografía de tórax posteroanterior.