Evaluating the detection of small brain lesions in magnetic resonance using deep learning

Share

Abstract

Introducción – La detección de lesiones cerebrales mediante métodos de Inteligencia Artificial ha sido un foco de investigación previa, con numerosos conjuntos de datos que apoyan esta tarea para mejorar los resultados clínicos. Sin embargo, las métricas de evaluación y los resultados reportados suelen resumir el rendimiento general sin considerar las variaciones en el tamaño de la lesión. En la práctica clínica, la detección de tumores pequeños es particularmente crítica para el diagnóstico temprano y la efectividad del tratamiento. Métodos – Este estudio evalúa el rendimiento de modelos de Inteligencia Artificial en conjuntos de datos establecidos con un enfoque específico en la identificación de lesiones y el tamaño de la lesión. Introducimos un nuevo modelo de Aprendizaje Profundo adaptado para detectar tumores cerebrales pequeños en Imágenes por Resonancia Magnética, integrando un concepto de «tumor pequeño» definido clínicamente tanto en los procesos de entrenamiento como de evaluación. Resultados – El enfoque propuesto demuestra un rendimiento robusto, alcanzando valores de pérdida que oscilan entre 1,5 y 11,1 y Coeficientes Dice entre el 96,3 % y el 98,1 % en múltiples conjuntos de datos. Discusión – La principal contribución de este trabajo es la incorporación de información clínicamente significativa sobre el tamaño de la lesión en el desarrollo y la evaluación de los modelos. Estos hallazgos sugieren que considerar explícitamente los tumores pequeños puede mejorar la relevancia clínica de los sistemas de Inteligencia Artificial para la detección de lesiones cerebrales y apoyar un diagnóstico más temprano y una planificación del tratamiento más efectiva. [Traducción automática al español; idioma original: inglés.]