Entrenamiento de un modelo de inteligencia artificial para la detección de disección aórtica utilizando imágenes de tomografía computarizada sin contraste de pacientes humanos

Resumen

Este protocolo describe el entrenamiento de un modelo de inteligencia artificial para detectar la disección aórtica utilizando imágenes de tomografía computarizada sin contraste, permitiendo un cribado rápido y accesible en entornos clínicos.

Resumen

La disección aórtica (EA) es una consecuencia extrema de una homeostasis de remodelación vascular deteriorada y requiere una identificación rápida y precisa en la práctica clínica. Este protocolo describe un modelo de aprendizaje basado en inteligencia artificial para la identificación de la EA utilizando tomografía computarizada (TC) sin contraste. Se recopilaron conjuntos de datos de angiografías de TC de tórax y de aorta de pacientes con y no EA en un hospital terciario de grado A. Las estructuras vasculares de cada imagen axial se segmentaron y anotaron manualmente utilizando el software de código abierto LabelMe para establecer un conjunto de datos de segmentación para el desarrollo y evaluación de modelos. El conjunto de datos se particionó en conjuntos de entrenamiento, prueba y validación con una proporción de 8:1:1 para entrenamiento y validación del modelo. Tras el desarrollo de un modelo con un rendimiento de detección robusto, se construyó una plataforma de procesamiento en línea para visualizar y presentar los resultados de manera eficaz. Este enfoque proporciona una herramienta poderosa e inteligente para el cribado rápido y preliminar de la EA y responde a la necesidad clínica no satisfecha de una detección temprana accesible en diversos entornos clínicos.

Introducción

La disección aórtica (EA) es una afección aguda que pone en peligro la vida y se caracteriza por la entrada de sangre en la capa medial de la pared aórtica a través de un desgarro en el revestimiento íntimo, formando un falso lumen¹ que diseca y se expande. Sin un diagnóstico y tratamiento oportunos, la tasa de mortalidad es extremadamente alta, y la incidencia de muertes en un plazo de 24 horas (incluyendo la muerte antes de llegar al hospital) fue del 93%^2. La angiografía por tomografía computarizada con contraste (CTA) es el estándar de oro para el diagnóstico de la EA, ya que puede v....

Protocolo

Toda la recopilación de datos relacionados con el ser humano en este estudio se realizó conforme a los estándares éticos de la Declaración de Helsinki y fue aprobada por el Comité de Ética del Hospital de la Unión China-Japón de la Universidad de Jilin (Número de Aprobación: 2019103004). Se obtuvo el consentimiento informado por escrito de todos los participantes individuales o de sus tutores legales antes de la recopilación de la información relevante. Toda la información personal de los sujetos se mantuvo estrictamente confidencial para proteger su privacidad, y no se realizaron operaciones experimentales durante el proceso de recog....

Resultados

Esta sección presenta los resultados reproducibles y verificados en la implementación del modelo de detección de objetos de dos clases para detección de AD a partir de imágenes NCCT, estrictamente alineados con la cadena de entrenamiento validada y el marco de evaluación COCO (Figura 1). Todas las métricas se derivan del conjunto de pruebas que se ha mostrado usando COCOeval, sin datos fabricados ni indicadores no validados.

Discusión

Los clínicos, especialmente los médicos de urgencias, pueden experimentar una disminución del rendimiento diagnóstico cuando los pacientes presentan síntomas atípicos o cuando un alto volumen de pacientes en urgencias impone limitaciones de tiempo. En cambio, un modelo de IA entrenado para identificar la EA en NCCT puede ofrecer un rendimiento consistente y estable incluso en pacientes asintomáticos, sin estar limitado por el tiempo de lectura, mejorando así potencialmente la precisión y.......

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Arquitectura Cascade R-CNN	OpenMMLab (MMDetection)	configuraciones/cascade_rcnn/cascade_ rcnn_hrnetv2p_w32_20e_coco.py	Arquitectura de detección utilizada en el marco
Imágenes de tomografía computarizada de tórax (sin contraste)	Conjunto de datos clínico autoconstruido	Conjunto de imágenes axiales NCCT	Datos de imagen clínica utilizados para el desarrollo de modelos
Archivos de anotación en formato COCO	Generados durante el protocolo	JSON (formato COCO)	Archivos de anotación convertidos usados para el entrenamiento de modelos
Pesas preentrenadas COCO	OpenMMLab MMDetection modelo zoo	cascade_rcnn_hrnetv2p_w32_20e_ coco_20200208-928455a4.pth	Utilizado para la inicialización de modelos
Arquitectura HRNetV2p-W32	OpenMMLab (MMDetection)	Columna vertebral HRNetV2p-W32 (implementado en MMDetection 2.28.2)	Modelo de columna vertebral utilizado
ITK-SNAP	Equipo de desarrollo de ITK-SNAP	3.8.0	Utilizado para conversión de formatos de imagen y exportación de cortes
Archivos de anotación JSON	Salida LabelMe	Formato JSON estándar	Contiene coordenadas de anotación y etiquetas
LabelMe	MIT CSAIL	4.8.3	Utilizado para anotación manual de imágenes
MMDetection	OpenMMLab	2.28.2	Marco de detección de objetos utilizado para la implementación
MMCV	OpenMMLab	1.7.2	Biblioteca central que soporta MMDetection
NumPy	Desarrolladores NumPy	1.26.4	Biblioteca de cálculo numérico
NVIDIA RTX 3080 Ti GPU	NVIDIA	RTX 3080 Ti	Hardware utilizado para el entrenamiento
OpenCV	OpenCV	4.9.0	Procesamiento y visualización de imágenes
pycocotools	PyPI / COCO API	2.0.6	Biblioteca de evaluación en formato COC
Python	Fundación de Software Python	3.10.20	Entorno de programación
PyTorch	PyTorch	2.0.1+cu118	Marco de aprendizaje profundo
TorchVision	PyTorch	0.15.2+cu118	Servicios de visión
Sistema operativo Ubuntu	Canónico	22.04.1 LTS	Entorno de entrenamiento OS