HeadXNet: el algoritmo que puede ayudar a encontrar un aneurisma en el cerebro

^{Universidad de Stanford} 

Científicos estadounidenses han desarrollado un algoritmo que puede indicar aneurismas en el cerebro. El modelo basado en el trabajo de la red neuronal convolucional marca el lugar posible del aneurisma en la imagen del cerebro obtenida mediante angiografía por TC, lo que simplifica enormemente el diagnóstico a los radiólogos. El estudio fue publicado en JAMA Network Open.

La presencia de un aneurisma (dilatación del vaso sanguíneo) en el cerebro es una condición bastante peligrosa: su ruptura puede provocar una hemorragia, como resultado de la cual pueden ocurrir diversos trastornos neurológicos o incluso la muerte. La forma más efectiva de prevenir tales consecuencias es el diagnóstico temprano y el tratamiento posterior para prevenir la ruptura.

La angiografía tomográfica computarizada se usa ahora como uno de los principales métodos de diagnóstico porque permite visualizar con precisión los vasos sanguíneos y evaluar la naturaleza del flujo sanguíneo desde una imagen tridimensional. Sin embargo, los aneurismas pueden ser muy pequeños y difíciles de examinar.

El nuevo algoritmo

Ahora un equipo de investigadores liderados por Allison Park de la Universidad de Stanford decidió mejorar el diagnóstico de aneurisma en la angiografía por TC con métodos automáticos. Ellos desarrollaron un algoritmo llamado HeadXNet que se basa en el análisis de imágenes tridimensionales utilizando redes neuronales convolucionales. Para entrenarlo, los investigadores tomaron imágenes y resultados de 611 diagnósticos: en las exploraciones utilizadas se diagnosticaron aneurismas y su ausencia. El modelo resultante resaltó la ubicación probable del aneurisma en una de las secciones de la imagen en rojo.

Después de eso, el modelo resultante se probó en 115 imágenes sin particiones y se las mostró a 8 radiólogos calificados junto con los resultados estándar no marcados de la angiografía por TC. La precisión de los diagnósticos con HeadXNet aumentó significativamente (p = 0.01) en comparación con los diagnósticos habituales. Al mismo tiempo, sin embargo, no hubo cambios significativos en el tiempo que los especialistas dedicaron al análisis de imágenes.

A pesar de los resultados prometedores y la alta precisión, los autores del trabajo aclaran que todavía no es posible utilizar el nuevo algoritmo como único método de diagnóstico. Cualquier método automático de este tipo debe ir acompañado de una evaluación adicional por un radiólogo experimentado.

La mayoría de los métodos automáticos para diagnosticar enfermedades ahora se están desarrollando precisamente para simplificar el trabajo del personal médico y no para arrebatarle el puesto de trabajo como en algún momento se temió.

Victor Román
Esta noticia ha sido publicada originalmente en N+1, ciencia que suma.

Sobre N+1: Es la primera revista online de divulgación científica y tecnológica que permite la reproducción total o parcial de sus contenidos por medios de comunicación, bloggers e influencers, realizando la mención del texto y el enlace a la web: “Esta noticia ha sido publicada originalmente en la revista N+1, ciencia que suma: www.nmas1.org”.