Un equipo da UVigo mellora a diagnose de doenzas con tecnoloxías IA

mércores, 22 de maio do 2024 S. P.

Persoal investigador da Escola Superior da Enxeñaría en Informática do Campus de Ourense (UVigo) vén de dar forma a unha ferramenta que emprega Intelixencia Artificial e modelos de ML (Machine Learning) para mellorar a diagnose de doenzas a partir de imaxes de raios X. O proxecto, chámado Sadisir: Sistema de Automatización da Diagnose a partir de Signos Radiolóxicos, tamén automatiza a xeración de informes que amosan, de xeito conciso, a diagnose atopada.
No marco do grupo Sing (Next Generation Computer Systems Group) da Universidade de Vigo, o proxecto estivo dirixido por David A. Ruano e nel participaron as e os investigadores Tomás Cotos, Silvana Gómez e Reyes Pavón e os facultativos do Complexo Hospitalario Universitario de Ourense Diego Domínguez e José Manuel Fernández-Carrera.
A iniciativa contou con financiamento das axudas Inou, da Vicerreitoría do Campus de Ourense e a Deputación Provincial, e tamén da Consellaría de Educación, Universidades e Formación Profesional no marco do financiamento estratéxico como grupo de referencia competitiva.
Segundo explican, “no eido da medicina, a interpretación precisa de signos radiolóxicos é fundamental para o diagnóstico eficaz de enfermidades. Con todo, a abafadora cantidade de datos radiolóxicos desafía a capacidade dos profesionais da saúde para analizalos exhaustivamente. Neste sentido, a Intelixencia Artificial e os algoritmos de aprendizaxe automática xorden como unha solución crucial”.
Neste contexto Sadisir foi desenvolvida para “ser capaz de determinar automaticamente os diagnósticos máis probábeis para o paciente a partir do signos radiolóxicos presentes nas imaxes de raios X e para xerar os informes clínicos específicos para cada paciente”. O protocolo experimental deseñado realizouse sobre o conxunto de datos PadChest, que proporciona unha colección de máis de 160.000 imaxes de radiografías de tórax e información clínica detallada sobre 67.000 pacientes, e nel optouse, polos resultados obtidos no adestramento realizado do modelo, por RandomForest como o algoritmo de clasificación máis óptimo neste caso.
O desenvolvemento deste sistema de apoio, indican, pretende axudar ao especialista médico na toma de decisións, xa que axiliza a identificación da diagnose e diminúe a probabilidade de erro nela, ademais de reducir sobrecarga de traballo, influíndo nunha mellora da calidade asistencial do servizo. “É importante ter en conta que as aplicacións orientadas ao ámbito sanitario teñen que ter unha taxa de falsos negativos moi reducida. Neste senso, todos os diagnósticos emitidos pola aplicación deben ser validados por un facultativo e o sistema dispón dun mecanismo de aprendizaxe continuo que se activa readestrando os modelos coa información obtida polo facultativo coa finalidade de mellorar a eficiencia do sistema, e por tanto, reducir os posíbeis erros”, comentan.
Co obxectivo de facilitar o uso da ferramenta a calquera tipo de usuario con independencia de seu nivel de dixitalización, a ferramenta embebeuse nunha interface gráfica de escritorio que permite indicar manualmente os signos radiolóxicos atopados na imaxe, mostrar graficamente a probabilidade de cada un dos diagnósticos, seleccionar o diagnostico máis apropiado e xerar o informe coa información do paciente, os signos atopados e a diagnose emitida.

PUBLICIDADE