News
Sadisir: Sistema de Automatización da Diagnose a partir de Signos Radiolóxicos. Este é o nome dunha ferramenta creada por persoal investigador da Escola Superior de Enxeñaría Informática do campus de Ourense que, mediante a combinación de técnicas de intelixencia artificial e modelos de aprendizaxe automática, infire automaticamente a ou as diagnoses médicas máis probables a partir dos signos presentes nunha imaxe de raios X. Ademais, automatiza a xeración de informes que amosan, de xeito conciso, a diagnose atopada.
No marco do grupo SING (Next Generation Computer Systems Group) do Centro de Investigación en Nanomateriais e Biomedicina da Universidade de Vigo (CINBIO), 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. “No campo 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”, comentan os membros do proxecto sobre a relevancia da ferramenta proposta.
Reyes Pavón, Tomás Cotos, Silvana Gómez e David Ruano
Un sistema de apoio para especialistas
Neste contexto Sadisir foi desenvolvida para ser capaz de determinar automaticamente os diagnósticos máis probable 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 desde a súa organización, 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 posibles 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.
Fonte: DUVI
