2019-01-04 23:54:11 +0000 2019-01-04 23:54:11 +0000
2
2

Aprendizaje automático para la exploración de imágenes médicas

Estoy buscando un tema de interés en el ámbito del aprendizaje automático y la visión por ordenador. Más concretamente, investigar si se puede aplicar la visión por ordenador para clasificar las exploraciones de imágenes médicas y/o predecir el estado futuro de una exploración. No soy un profesional de la salud, así que para enmarcar el problema en algo que sea alcanzable me propongo investigar un poco más el tema de la exploración de imágenes.

Lo que me gustaría saber es:

¿Cuál es el estado actual de la tecnología de escaneo de imágenes?

¿Cuáles son sus puntos débiles?

Tengo muchas incógnitas y no sé por dónde empezar para tener un conocimiento básico.

Se agradecen las recomendaciones de libros, por ejemplo este libro parece un buen punto de partida : Por ejemplo el libro “Medical Imaging for the Health Care Provider: Practical Radiograph Interpretation ” : https://www.amazon.com/Medical-Imaging-Health-Care-Provider-ebook/dp/B01HUNOJPG

El conjunto de datos que pretendo utilizar para esta investigación es ‘DeepLesion’ https://www.nih.gov/news-events/news-releases/nih-clinical-center-releases-dataset-32000-ct-images

Actualización : este parece un buen lugar para empezar : [ Medical imaging - image quality? El “estado futuro de una exploración” se refiere a la predicción del estado futuro de los atributos de la exploración. Los atributos son los contenidos en el conjunto de datos anotados de DeepLesion, que incluyen el diámetro de la lesión, el sexo y la edad del paciente. Así que intentaré predecir 1 o una combinación de estos atributos. 

En esta fase no pretendo que el modelo de IA realice un diagnóstico o un pronóstico, sino que proporcione una predicción de atributos que ayude al profesional sanitario a realizar el diagnóstico o el pronóstico. Debido a que DeepLesion contiene imágenes de TAC, el profesional de la salud en este caso es un radiólogo. 

Otro tipo de predicciones/clasificaciones de más alto nivel que puedo considerar son la detección de lesiones de hígado, pulmón y riñón.

El tipo de predicciones depende del tipo de datos disponibles. 

Otra pregunta de investigación que tengo es qué tipo de predicciones son más valiosas para el profesional. Esto ayudará a centrar mi investigación.

Respuestas (2)

5
5
5
2019-01-05 17:36:28 +0000

Los métodos de diagnóstico por imagen más utilizados son los siguientes

  • Ultrasonografía
  • Radiografía
  • Tomografía computarizada (TC)
  • Resonancia magnética (RM)
  • Escintigrafía o gammagrafía con radionúclidos (se inyecta un trazador radiactivo en una vena, se espera a que se acumule en un determinado órgano, por ejemplo, la glándula tiroides, y se toma una imagen de la distribución del trazador con un escáner)

Todas las técnicas mencionadas tienen diversas variantes, por ejemplo, la ecografía Doppler, una RM con contraste, etc. La página de Wikipedia Medical Imaging tiene un “índice” más detallado de las técnicas con enlaces a los artículos individuales.

En Biology SE, hay una lista de sitios web que proporcionan imágenes de libre acceso , algunas de las cuales vienen con las descripciones de los casos. Antes de comprar cualquier libro, te recomiendo encarecidamente que te hagas una idea clara de qué tipo de libros pueden servirte. Un libro que puede ser excelente para un médico o un estudiante de medicina puede ser inútil para ti. También te recomiendo que, para empezar, elijas UNA técnica de imagen y la investigues un poco, en lugar de ir con todas las imágenes a la vez; los problemas de la ultrasonografía son significativamente diferentes a los de la TC.

Ejemplos de debilidades de las técnicas de imagen:

  • Un TAC y una RMN, al menos, son caros.
  • Una radiografía puede mostrar sólo las lesiones que son significativamente más o menos radiopacas que los tejidos circundantes (por ejemplo, puede mostrar sólo los cálculos biliares ricos en calcio pero no otros).
  • Una resonancia magnética de la vesícula biliar no puede distinguir de forma fiable entre los pólipos no cancerosos y los cánceres Radiografía ).
  • El problema más común es, probablemente, que a pesar de la alta sensibilidad (capacidad de detectar una lesión), la especificidad (capacidad de revelar/predecir un tipo exacto de la lesión) de las exploraciones de TC y RMN puede seguir siendo baja.

Una pregunta habitual para el médico que a menudo queda sin resolver tras la obtención de imágenes es: ¿es la lesión cancerosa o no, o qué probabilidad hay de que se convierta en un cáncer? Por ejemplo, los pólipos de la vesícula biliar de más de 10 mm tienen una probabilidad significativamente mayor de ser cancerosos que los más pequeños, pero no está claro si el riesgo aumenta después de 5 mm o después de 15 mm, por ejemplo. Además, a veces las imágenes no muestran si el cáncer se ha extendido a los órganos cercanos.

EDIT:

Para predecir una lesión en una imagen de TC, es necesario saber cómo es una imagen de TC normal y cómo es una lesión. Los conocimientos sobre lo que es una lesión proceden de la comparación de muchas imágenes de TC y de las situaciones físicas reales descubiertas durante la cirugía. Ahora bien, para ampliar estos conocimientos más allá de lo que se puede ver con los propios ojos en una imagen de TC, habría que volver a comparar muchas imágenes de TC (utilizando un programa informático) con los resultados de la cirugía.

Imagino que esto requeriría un proyecto en el que participaran varios radiólogos, cirujanos e informáticos experimentados. Un proyecto tendría que centrarse en una sola pregunta, por ejemplo ¿Cuáles son los factores predictivos del cáncer de vesícula biliar en los crecimientos anormales de la vesícula detectados en una imagen de TC? A continuación, habría que comparar miles de imágenes de TC y resultados quirúrgicos para encontrar posibles asociaciones.

1
1
1
2019-03-02 20:53:07 +0000

Me gustaría hacer una recomendación, como investigador que también trabaja en imágenes médicas. Usted afirma que está interesado en predecir el diámetro de la lesión, el sexo y la edad del paciente a partir de las exploraciones. Sin embargo, cuando un radiólogo lee un escáner, ya conoce el sexo y la edad del paciente porque esa información está en la historia clínica. También conoce el motivo de la exploración. Por ejemplo, a menudo verán una indicación como “La Sra. Smith es una mujer de 55 años con antecedentes de cáncer de pulmón” junto con la propia exploración. (Y pueden hacer clic en la historia clínica del paciente y ver todo lo que hay en ella si quieren). Así que creo que es mejor no predecir cosas que ya conoce el médico. Hay muchas otras tareas geniales de imagen médica que puedes hacer con el conjunto de datos de DeepLesion, por ejemplo, como predecir si hay una lesión en la exploración.

Aquí tienes otros recursos que pueden ayudarte:

  1. Visión general de la anatomía básica del tórax para la radiología ](https://glassboxmedicine.com/2019/01/25/anatomy-for-radiology-chest/) y de la anatomía del abdomen para la radiología ](https://glassboxmedicine.com/2019/02/02/anatomy-for-radiology-abdomen/)
  2. (https://glassboxmedicine.com/2019/01/22/anatomy-for-radiology-terms-of-location/)
  3. Términos de localización en radiología
  4. 3. Cómo leer radiografías de tórax normales . Las radiografías de tórax no son TACs, pero si está aprendiendo sobre imagen médica es más fácil empezar con las radiografías de tórax y luego pasar a las TACs
  5. [ Interpretación de TACs abdominales ]0x3& 0x3& 4. [Interpretación de los TAC abdominales