Un sistema de inteligencia artificial basado en modelos de atención mejora la cuantificación de las lesiones en T2 y el manejo terapéutico en la EM

Resumen

Objetivo: Este trabajo evaluó la capacidad de los mecanismos de puertas de atención en los sistemas automatizados basados en redes neuronales convolucionales (CNN) para detectar nuevas lesiones T2 en la resonancia magnética cerebral (RM) de pacientes con esclerosis múltiple (EM).  Métodos: Se utilizaron dos sistemas CNN supervisados entrenados con datos de un escáner Siemens Trio Trim y aplicados a 100 pacientes con EM tratados que se sometieron a dos exámenes de RM en dos escáneres Philips Achieva de 1,5T. El primer sistema (M1) utilizó cuatro secuencias de imágenes (3D-FLAIR, 3D-T1-w, T2-w y PD-w), mientras que el segundo sistema (M2) utilizó sólo imágenes 3D-FLAIR, pero con puertas de atención. El resultado del informe radiológico estándar visual (O1) se comparó con el resultado de los sistemas M1 y M2.  Resultados: El método M2 fue el más sensible y específico (87% sensibilidad, 90% especificidad) para detectar nuevas lesiones T2, superando al método M1 (71% sensibilidad, 76% especificidad) y al informe O1 (33% sensibilidad, 100% especificidad). El método M2 también fue el mejor para detectar pacientes con al menos una lesión compatible con NEDA.  Conclusiones: La aplicación del sistema CNN supervisado que incorpora puertas de atención y utiliza únicamente imágenes 3D-FLAIR aumentó del 33% al 87% la capacidad del radiólogo para detectar nuevas lesiones T2. Estos resultados son alentadores y muestran el potencial de los sistemas automatizados para aumentar la sensibilidad reduciendo las modalidades necesarias, y por tanto los tiempos de adquisición de imágenes durante la práctica clínica.