Revisiones bibliográficas. Documentación científica en Ortopedia y Traumatología, medicina deportiva, artroscopia, artroplastia y de todas las patologías del sistema Músculo-Esquelético
Predicción del manejo
quirúrgico versus no quirúrgico de fracturas agudas aisladas del radio
distal en pacientes menores de 60 años mediante una red neuronal
convolucional
J Hand Surg Am- ASSH @JHandSurg Predicción
del manejo #quirúrgico versus #no quirúrgico de fracturas agudas
aisladas del radio distal en pacientes menores de 60 años mediante una
red neuronal convolucional @uoftmedicine @UHN @DATATeam_uhn @SickKidsNews #IA #Imagen #ManejoQuirúrgico #Trauma
“Predicting
Surgical Versus Nonsurgical Management of Acute Isolated Distal Radius
Fractures in Patients Under Age 60 Using a Convolutional Neural Network” (J Hand Surg Am. 2025;50(7):781–789):
Introducción
Las fracturas del radio distal (DRFs) representan hasta el 20% de las
fracturas en servicios de urgencias, y se tratan de forma no quirúrgica
en la mayoría de los casos. Sin embargo, los retrasos en la cirugía
(más de 14 días) se asocian con peores resultados funcionales y mayor
uso de recursos sanitarios. En el centro de estudio, el tiempo promedio
hasta la cirugía supera los 19 días debido a rutas de atención
fragmentadas. El objetivo fue desarrollar una red neuronal convolucional
(CNN) para analizar radiografías de DRF agudas aisladas en pacientes
menores de 60 años y predecir si requerirán tratamiento quirúrgico o no
quirúrgico, facilitando así la derivación oportuna.
Métodos
Se incluyeron retrospectivamente 163 pacientes menores de 60 años con
DRF aguda aislada atendidos entre 2018 y 2023. Se recolectaron
radiografías en vista posteroanterior y lateral tomadas dentro de las 4
semanas post-lesión. Se procesaron imágenes con técnicas de
segmentación, recorte del carpo y normalización. El modelo CNN utilizó
una arquitectura con 7 capas convolucionales y una capa totalmente
conectada. Se dividieron los datos en conjuntos de entrenamiento (70%),
validación (15%) y prueba (15%). Se priorizó la sensibilidad para
minimizar falsos negativos, especialmente en fracturas con
desplazamiento volar.
Resultados
El modelo final entrenado con imágenes de 256×256 píxeles alcanzó una precisión del 88% y sensibilidad del 100%
en la predicción por paciente. El área bajo la curva ROC (AUROC) fue de
87% y la AUPRC (precisión promedio) fue de 88%. Se detectó una mejora
significativa en la clasificación tras ajustar ponderaciones para
fracturas volares, tradicionalmente asociadas a mayor inestabilidad y
necesidad de cirugía. La exactitud por radiografía individual fue de
79%.
Discusión
El algoritmo basado en CNN mostró alto rendimiento al predecir manejo
quirúrgico o no quirúrgico de DRF agudas en menores de 60 años,
basándose solo en imágenes. Aunque no reemplaza el juicio clínico, tiene
utilidad como herramienta de triaje inicial, reduciendo demoras
quirúrgicas sin aumentar la carga clínica. La mayor sensibilidad buscó
minimizar casos quirúrgicos no detectados, aceptando un mayor número de
falsos positivos. El modelo refleja las decisiones clínicas locales y
podría adaptarse a otras instituciones. No se incluyeron pacientes
mayores de 60 años por variabilidad en las indicaciones quirúrgicas en
dicha población.
Hsu D, Persitz J, Noori A, Zhang H,
Mashouri P, Shah R, Chan A, Madani A, Paul R. Predicting Surgical Versus
Nonsurgical Management of Acute Isolated Distal Radius Fractures in
Patients Under Age 60 Using a Convolutional Neural Network. J Hand Surg
Am. 2025 Jul;50(7):781-789. doi: 10.1016/j.jhsa.2025.04.015. Epub 2025
May 26. PMID: 40418202.
Resumen Simple El
osteosarcoma es un tumor óseo maligno primario que produce una matriz
osteoide. La imagenología es crucial para su detección, caracterización y
planificación del tratamiento, aunque puede ser compleja, especialmente
en las etapas iniciales. La radiografía convencional suele ser la
primera modalidad utilizada para detectar hallazgos sospechosos,
mientras que el sistema Bone-RADS ayuda a describir los resultados de la
imagenología y a estratificar el riesgo. La TC proporciona información
detallada sobre la arquitectura ósea y la matriz osteoide, mientras que
la RMN es esencial para evaluar la propagación del tumor a los tejidos
blandos adyacentes, el canal medular, las articulaciones y las
estructuras neurovasculares. Esta revisión incluye ejemplos de casos
clínicos y explora el papel de la inteligencia artificial en la mejora
del diagnóstico del osteosarcoma.
Resumen El osteosarcoma
es un tumor óseo maligno primario que se caracteriza por la producción
de una matriz osteoide. Si bien la histología sigue siendo el estándar
diagnóstico definitivo, la imagenología desempeña un papel crucial en el
diagnóstico, la planificación terapéutica y el seguimiento. La
radiografía convencional sirve como punto de control inicial para la
detección de esta patología, que a menudo presenta dificultades
diagnósticas debido a síntomas vagos e inespecíficos, especialmente en
sus etapas iniciales. Hoy en día, la integración de diferentes técnicas
de imagen permite un diagnóstico y un tratamiento cada vez más
personalizados, cada una de las cuales aporta información única y
complementaria. La radiografía convencional suele iniciar la evaluación
por imagen, y el Sistema de Informes y Datos Óseos (Bone-RADS) de la
Sociedad de Radiología Esquelética (SSR) es una herramienta valiosa para
estratificar el riesgo de lesiones óseas sospechosas. La TC es la
modalidad preferida para evaluar la matriz ósea, mientras que las
gammagrafías óseas y la PET/TC son eficaces para detectar metástasis a
distancia. La RM revela la extensión de la lesión en los tejidos blandos
adyacentes, el canal medular y las articulaciones, así como su relación
con las estructuras neurovasculares y la presencia de lesiones
salteadas. Técnicas avanzadas como la resonancia magnética con contraste
dinámico (DCE-MRI), la resonancia magnética ponderada por difusión
(DWI) y la RM de perfusión ayudan a caracterizar el entorno tumoral y a
evaluar la respuesta al tratamiento. El osteosarcoma comprende diversos
subtipos con diferentes características clínicas y de imagen, algunos de
los cuales son particularmente distintivos, como en el caso del
osteosarcoma telangiectásico. El conocimiento de estas variantes puede
orientar a los radiólogos en el diagnóstico diferencial, que incluye
tanto formas centrales como superficiales, desde tipos muy agresivos
hasta los más indolentes. En esta revisión, presentamos una amplia gama
de casos representativos de nuestra serie de casos hospitalarios para
ilustrar presentaciones de imagen típicas y atípicas. Finalmente,
analizamos los avances y desafíos recientes en la aplicación de enfoques
de inteligencia artificial a la imagenología del osteosarcoma.
Introducción El
osteosarcoma es un tumor óseo primario caracterizado por células
mesenquimales que producen una matriz osteoide [1,2]. Es el cáncer óseo
primario más común que no afecta a las células sanguíneas [1,2]. Aunque
es poco frecuente en la población general, con una tasa de incidencia de
aproximadamente 4 a 5 casos por millón de personas al año (menos del 1%
de todos los casos de cáncer) [1,3], estudios epidemiológicos a gran
escala han revelado un aumento de su incidencia en las últimas décadas
[4]. Tradicionalmente, el osteosarcoma se ha considerado un tumor con
una incidencia bimodal, con un pico primario en niños y adolescentes y
un pico secundario en personas mayores de 80 años [1,4]. Sin embargo,
estudios recientes cuestionan el patrón bimodal típico, sugiriendo en
cambio un único pico de incidencia constante en la segunda década de la
vida [5]. En niños y adolescentes, representa el tumor mesenquimal
maligno primario más común, representando aproximadamente el 80% de
todos los tumores óseos malignos y aproximadamente el 2,4% de todos los
cánceres infantiles [1]. En personas mayores de cincuenta años, el
osteosarcoma representa aproximadamente el 50% de todos los tumores
óseos malignos primarios, con una mayor proporción de osteosarcomas
secundarios [2]. Es más común en hombres que en mujeres, con una
proporción hombre-mujer de aproximadamente 1,5:1 a 2:1 [4]. Aunque
algunos estudios sugieren variaciones en la incidencia entre diferentes
grupos étnicos, con tasas más altas reportadas en poblaciones negras e
hispanas, los datos globales siguen siendo inconsistentes [4]. Los
factores de riesgo para este tumor incluyen exposición previa a
radiación terapéutica, como la causada por tratamiento contra el cáncer,
estatura alta, alto peso al nacer y afecciones como la enfermedad de
Paget o exostosis múltiples hereditarias, que implican un rápido
crecimiento o recambio óseo y también pueden aumentar el riesgo de
desarrollar osteosarcoma [4,6]. Se ha vinculado a varios síndromes de
predisposición al cáncer, como el retinoblastoma hereditario (asociado
con mutaciones del gen RB1) [7,8], el síndrome de Li-Fraumeni
(relacionado con mutaciones del gen TP53) [9,10] y variantes germinales
patogénicas en individuos con osteosarcoma, especialmente en jóvenes
[11].
El osteosarcoma se presenta
con mayor frecuencia cerca de la metáfisis de los huesos largos, en
particular alrededor de la articulación de la rodilla [12]. El fémur es
la zona afectada con mayor frecuencia, representando aproximadamente el
42-46% de los casos, seguido de la tibia (alrededor del 19-24%) y el
húmero (alrededor del 10-12%). En adultos mayores, el osteosarcoma
también puede presentarse en otros huesos, como la pelvis, las costillas
y la mandíbula [2]. La clasificación de tumores de tejidos blandos y
huesos de la Organización Mundial de la Salud (OMS) reconoce varios
tipos de osteosarcomas con diferentes grados de malignidad [13].
Clínicamente, el osteosarcoma se presenta típicamente con dolor profundo
que empeora progresivamente [14]. Otros síntomas pueden incluir una
masa palpable y restricción del movimiento, y en el 5-10 % de los casos,
el tumor puede provocar una fractura patológica.
Las imágenes desempeñan un
papel crucial en la detección, el diagnóstico y la estadificación del
osteosarcoma [12,15,16]. Aunque estos tumores suelen mostrar
características de imagen agresivas, el diagnóstico inicial puede ser
difícil y sutil, especialmente en las primeras etapas, donde pueden
confundirse con lesiones benignas o lesiones con bajo potencial maligno
[14,15]. Los retrasos en el diagnóstico pueden ocurrir porque síntomas
como el dolor localizado o la inflamación a menudo se atribuyen a
afecciones benignas, incluyendo lesiones deportivas o dolores de
crecimiento en pacientes más jóvenes [16]. Si bien la radiografía
convencional suele ser la primera técnica de imagen aplicada al análisis
de tumores óseos como los osteosarcomas, la integración de la
tomografía computarizada (TC) y la resonancia magnética (RM) es esencial
para una caracterización precisa de las lesiones [17]. La tomografía
computarizada (TC) proporciona una evaluación más completa de las
estructuras óseas en comparación con la radiografía convencional,
mientras que la resonancia magnética (RM) es especialmente valiosa para
evaluar la extensión del tumor a los tejidos blandos circundantes [18].
Además, la gammagrafía ósea y la PET-TC desempeñan un papel importante
en la estadificación y la planificación terapéutica [19].
La diversa presentación y
la naturaleza agresiva del osteosarcoma requieren imágenes precisas
tanto para el diagnóstico inicial como para el seguimiento de la
respuesta al tratamiento, dadas las características complejas y
variables del tumor. Por lo tanto, la integración de diversas
modalidades de imagen es crucial para una evaluación exhaustiva del
tumor y una planificación terapéutica eficaz (Tabla 1) [20]. En apoyo de
la evaluación visual por parte de los radiólogos, la aplicación
intensiva de la inteligencia artificial al análisis de imágenes
biomédicas en la última década ha facilitado un cambio de paradigma en
la imagenología oncológica [21]. La radiómica desempeña un papel
prometedor al permitir la extracción de una amplia gama de
características cuantitativas de las imágenes, lo que mejora el
diagnóstico, la caracterización y la predicción de la respuesta
terapéutica del tumor [22,23]. Sin embargo, a pesar de los avances
tecnológicos y metodológicos que han superado algunos de los desafíos
iniciales en la obtención de imágenes del cáncer, en particular en
tumores de pulmón, mama y cerebro [21,24,25,26], en el estudio de los
tumores óseos, la traducción clínica de estos modelos fue bastante
limitada [27]. Por ello, el papel del radiólogo sigue siendo
indispensable. Sin embargo, los radiólogos deben ser conscientes de
estas nuevas oportunidades para contribuir activamente a la atención
sanitaria continua.
Conclusiones Los
osteosarcomas son tumores óseos primarios poco frecuentes, pero
agresivos, que requieren un diagnóstico preciso y un estudio de imagen
completo para un tratamiento eficaz. Aunque poco comunes, son los
tumores óseos malignos más frecuentes en niños y adolescentes, lo que
resalta la necesidad de una detección temprana. La clasificación
Bone-RADS ayuda a los radiólogos en la estratificación inicial del
riesgo de lesiones óseas, a menudo detectadas incidentalmente durante
estudios radiográficos. Los avances en imagenología, en particular la
resonancia magnética y la tomografía computarizada (TC), son
fundamentales para el diagnóstico, la estadificación y el seguimiento de
la supervivencia global, ofreciendo información detallada sobre las
características tumorales y guiando el tratamiento. Tecnologías
emergentes como la inteligencia artificial en radiómica y radiogenómica
son prometedoras para mejorar las capacidades diagnósticas, aunque su
aplicación clínica sigue limitada por los datos y los desafíos
metodológicos. A pesar del progreso tecnológico, la experiencia de los
radiólogos sigue siendo esencial para interpretar imágenes complejas y
garantizar resultados óptimos para los pacientes.
Cè M, Cellina M, Ueanukul T, Carrafiello
G, Manatrakul R, Tangkittithaworn P, Jaovisidha S, Fuangfa P, Resnick D.
Multimodal Imaging of Osteosarcoma: From First Diagnosis to Radiomics.
Cancers (Basel). 2025 Feb 10;17(4):599. doi: 10.3390/cancers17040599.
PMID: 40002194; PMCID: PMC11852380.
Licensee
MDPI, Basel, Switzerland. This article is an open access article
distributed under the terms and conditions of the Creative Commons
Attribution (CC BY) license (https://creativecommons.org/licenses/by/4.0/).
Los ensayos clínicos in
silico, particularmente cuando se complementan con métodos de
inteligencia artificial, representan un enfoque innovador con mucho que
ofrecer, particularmente en el campo musculoesquelético. Son un medio
rentable, eficiente y ético de evaluar tratamientos e intervenciones
complementando y/o ampliando los ensayos controlados aleatorios (ECA)
tradicionales. Si bien no son una panacea y no deberían reemplazar a los
ECA tradicionales, su integración en el proceso de investigación
promete acelerar los avances médicos y mejorar los resultados de los
pacientes. Para lograr esto, se necesita un enfoque multidisciplinario y
la colaboración es fundamental. Con avances en computación y destreza
analítica, y al adherirse a los principios de la ciencia en equipo, la
realización de un enfoque integrador tan novedoso hacia los ensayos
clínicos puede no estar lejos de proporcionar contribuciones de gran
alcance a la investigación médica. Como tal, al aprovechar el poder de
los ensayos clínicos in silico, los investigadores pueden potencialmente
desbloquear nuevas posibilidades en el tratamiento y la intervención
para, en última instancia, mejorar la atención al paciente y los
resultados.
Comparación de
parámetros de alineación tibial basados en puntos de referencia
anatómicos clínicamente relevantes: un análisis radiológico de
aprendizaje profundo
Este estudio aprovechó
la IA para crear un modelo rápido y objetivo que puede estimar los
ajustes necesarios específicos del paciente para apuntar al centro
radiológico del tobillo.
La
identificación precisa del centro de la articulación del tobillo es
fundamental para estimar la alineación tibial coronal en la artroplastia
total de rodilla (TKA). El propósito del estudio actual fue aprovechar
la inteligencia artificial (IA) para determinar la precisión y el efecto
del uso de diferentes puntos de referencia anatómicos radiológicos para
cuantificar la alineación mecánica en relación con un centro de tobillo
radiológico definido tradicionalmente.
El
estudio actual aprovechó la IA para crear un modelo consistente y
objetivo que puede estimar los ajustes específicos del paciente
necesarios para el uso óptimo de puntos de referencia en la navegación
extramedular y guiada por computadora para la alineación tibial coronal
para que coincida con la planificación radiológica.
Jang SJ, Kunze KN, Brilliant ZR, Henson
M, Mayman DJ, Jerabek SA, Vigdorchik JM, Sculco PK. Comparison of tibial
alignment parameters based on clinically relevant anatomical landmarks :
a deep learning radiological analysis. Bone Jt Open. 2022
Oct;3(10):767-776. doi: 10.1302/2633-1462.310.BJO-2022-0082.R1. PMID:
36196596.
Las
aplicaciones actuales de los elementos virtuales de inteligencia
artificial (IA), aprendizaje automático (ML) y aprendizaje profundo (DL)
en la artroplastia total de rodilla (TKA) son diversas.
ML
puede predecir la duración de la estancia (LOS) y los costos antes de
la ATR primaria, el riesgo de transfusión después de la ATR primaria, la
insatisfacción posoperatoria después de la ATR, el tamaño de los
componentes de la ATR y los peores resultados. La predicción de
resultados distintos con modelos ML aplicando datos específicos ya es
posible; sin embargo, la predicción de resultados más complejos sigue
siendo imprecisa. Los sistemas de monitoreo remoto de pacientes ofrecen
la capacidad de evaluar de manera más completa a las personas que
experimentan ATR en términos de movilidad y cumplimiento de la
rehabilitación.
DL
puede identificar con precisión la presencia de TKA, distinguir entre
diseños de artroplastia específicos e identificar y clasificar la
osteoartritis de rodilla con la misma precisión que un cirujano
ortopédico. DL permite la detección de aflojamiento protésico a partir
de radiografías.
Con
respecto a las arquitecturas asociadas con DL, las redes neuronales
artificiales (ANN) y las redes neuronales convolucionales (CNN), las ANN
pueden predecir LOS, los cargos de pacientes hospitalizados y la
disposición del alta antes de la ATR primaria y las CNN permiten
diferenciar entre diferentes tipos de implantes con una precisión casi
perfecta.
Rodríguez-Merchán EC. The current role of
the virtual elements of artificial intelligence in total knee
arthroplasty. EFORT Open Rev. 2022 Jul 5;7(7):491-497. doi:
10.1530/EOR-21-0107. PMID: 35900206; PMCID: PMC9297054.
Las aplicaciones sin
sentido y las metodologías equivocadas en la investigación ortopédica
relacionada con la inteligencia artificial propagan el entusiasmo por la
esperanza
¿La investigación en IA es clínicamente útil o es solo otra moda pasajera? ¿Qué piensas?
¿Se ha convertido la investigación en IA en la última moda de investigación, con cantidad sobre calidad?
«La
investigación relacionada con la IA en ortopedia con frecuencia no
proporciona casos de uso que ofrezcan a los no iniciados la oportunidad
de evaluar la importancia de la IA mediante el estudio de preguntas
significativas, evaluar hipótesis desconocidas, o analizar datos de
calidad.
Existe
una gran esperanza y entusiasmo en la literatura sobre las aplicaciones
de la inteligencia artificial (IA) a la cirugía ortopédica. Entre 2018 y
2021 se publicaron un total de 178 artículos relacionados con la IA en
ortopedia. Sin embargo, por cada 2 trabajos de investigación originales
que aplican la IA a la ortopedia se publica un comentario o revisión
(30,3%). La investigación relacionada con la IA en ortopedia con
frecuencia no proporciona casos de uso que ofrezcan a los no iniciados
la oportunidad de evaluar la importancia de la IA mediante el estudio de
preguntas significativas, la evaluación de hipótesis desconocidas o el
análisis de datos de calidad. La exageración perpetúa un ciclo de avance
que relega a la IA a una palabra de moda sin sentido al recompensar a
aquellos con una comprensión incipiente y un conocimiento técnico
rudimentario para que cometan varios errores básicos:
(1) combinar inapropiadamente la lengua vernácula («IA/aprendizaje automático»),
(2) reempaquetar datos de registro,
(3) publicación prematura de algoritmos validados internamente,
(4) exageración del «fenómeno de la caja negra» al no proporcionar un análisis ponderado,
(5) afirmación de evaluar la IA en lugar de los datos en sí, y
(6) retención de la arquitectura del modelo completo código.
Próximamente
se publicarán directrices relevantes específicas de IA, pero la
aplicación forzada del Informe transparente original de un modelo de
predicción multivariable para las directrices de pronóstico o
diagnóstico individual diseñadas para análisis de regresión es
irrelevante y engañosa. Para salvaguardar el uso significativo, los
esfuerzos de investigación relacionados con la IA en ortopedia deben (1)
dirigirse hacia el apoyo administrativo sobre la evaluación y el manejo
clínicos, (2) requerir el uso del modelo avanzado y (3) responder una
pregunta que antes se desconocía, sin respuesta o no cuantificable.
Ramkumar PN, Pang M, Polisetty T, Helm
JM, Karnuta JM. Meaningless Applications and Misguided Methodologies in
Artificial Intelligence-Related Orthopaedic Research Propagates Hype
Over Hope. Arthroscopy. 2022 Sep;38(9):2761-2766. doi:
10.1016/j.arthro.2022.04.014. Epub 2022 May 10. PMID: 35550419.
Calcular
la precisión diagnóstica a partir de la matriz de confusión utilizando
aprendizaje profundo (DL) en imágenes de ultrasonido (US) de lesión del
complejo de fibrocartílago triangular (TFCC) Palmer 1B.
Las
imágenes de ultrasonido (US) que utilizan el modelo DL predijeron la
lesión Palmer 1B TFCC con alta precisión, con las mejores puntuaciones
de 0,85 para precisión en GoogLeNet, 1,00 para sensibilidad en ResNet50 y
ResNet101, y 0,78 para especificidad en GoogLeNet. El uso de DL para
imágenes de EE. UU. de la lesión Palmer 1B TFCC predijo la lesión, así
como la resonancia magnética y la artrografía por tomografía
computarizada.
Una herramienta de
aprendizaje profundo para la medición radiográfica automatizada de la
inclinación y la versión del componente acetabular después de la
artroplastia total de cadera
Gran artículo de nuestro miembro del equipo de la semana @PRouzrokh
discutiendo
el desarrollo de una herramienta de aprendizaje profundo para medir la
inclinación acetabular y la versión en radiografías posteriores a THA
Se
cree que la posición angular inadecuada del componente acetabular
aumenta el riesgo de luxación de cadera después de una artroplastia
total de cadera. Sin embargo, la medición manual de estos ángulos
requiere mucho tiempo y es propensa a la variabilidad entre
observadores. El propósito de este estudio fue desarrollar una
herramienta de aprendizaje profundo para automatizar la medición de los
ángulos del componente acetabular en radiografías posoperatorias.
Desarrollamos
una herramienta de aprendizaje profundo de alta precisión para
automatizar la medición de la posición angular de los componentes
acetabulares para su uso en entornos clínicos y de investigación.
Rouzrokh P, Wyles CC, Philbrick KA,
Ramazanian T, Weston AD, Cai JC, Taunton MJ, Lewallen DG, Berry DJ,
Erickson BJ, Maradit Kremers H. A Deep Learning Tool for Automated
Radiographic Measurement of Acetabular Component Inclination and Version
After Total Hip Arthroplasty. J Arthroplasty. 2021
Jul;36(7):2510-2517.e6. doi: 10.1016/j.arth.2021.02.026. Epub 2021 Feb
16. PMID: 33678445; PMCID: PMC8197739.
La
inteligencia artificial ha logrado resultados notables en el campo de
la medicina. Lea el editorial de este mes sobre inteligencia artificial
en ortopedia.
La
inteligencia artificial (IA) ha logrado resultados notables en toda la
sociedad, incluso en el campo de la medicina. A medida que avanzan las
técnicas, no es raro que la IA supere a los médicos en determinadas
condiciones [2].
Una rama de la IA, conocida como aprendizaje
automático, denota la capacidad de una máquina para identificar
relaciones entre datos sin criterios explícitos. Esta identificación de
relaciones suele mejorar con el aumento de la experiencia y los datos, y
permite que los algoritmos modelen relaciones que, de lo contrario,
podrían ser demasiado complejas para los métodos estadísticos estándar.
El aprendizaje profundo es un campo del aprendizaje automático que se
refiere a un modelo con una estructura de red neuronal artificial e
imita las conexiones neuronales del cerebro humano (Fig. 1).
El
determinante más importante del rendimiento del algoritmo de aprendizaje
automático convencional (aparte de la calidad y cantidad de datos) es
la selección adecuada de funciones. Si el proceso de selección de
características se ejecuta adecuadamente, es posible lograr un
rendimiento suficientemente efectivo independientemente del tipo de
modelo utilizado. Por otro lado, si la selección de características no
tiene éxito, es difícil lograr un rendimiento adecuado,
independientemente de la popularidad o la supuesta capacidad del
algoritmo candidato.
Actualmente, no existe un estándar de oro
para el proceso de selección de funciones. Por lo tanto, todavía existe
la necesidad de una metodología cuidadosa que describa el conocimiento
técnico y médico cuando se utilizan algoritmos tradicionales de
aprendizaje automático. Por el contrario, el aprendizaje profundo tiene
la ventaja del análisis de extremo a extremo utilizando datos de entrada
sin el proceso de selección de características. Ofrece la ventaja de no
tener que depender estrictamente de la selección de funciones, ya que
utiliza todos los parámetros disponibles.
Sin embargo, el
aprendizaje profundo también tiene una barrera de entrada que requiere
la preparación de datos para la capacitación. Además, es importante
asegurar una unidad de procesamiento de gráficos (GPU) de alto
rendimiento para un experimento eficiente, ya que los tiempos y costos
de entrenamiento del modelo a menudo pueden volverse cada vez más
onerosos [3].
Ko
S, Pareek A, Ro DH, Lu Y, Camp CL, Martin RK, Krych AJ. Artificial
intelligence in orthopedics: three strategies for deep learning with
orthopedic specific imaging. Knee Surg Sports Traumatol Arthrosc. 2022
Mar;30(3):758-761. doi: 10.1007/s00167-021-06838-8. Epub 2022 Jan 13.
PMID: 35022826.
¿Puede
un modelo de aprendizaje profundo para la detección automatizada de
fracturas vertebrales aproximarse al nivel de desempeño de los
subespecialistas humanos?
Las fracturas vertebrales son las fracturas osteoporóticas más comunes en personas mayores.
Estudios
recientes sugieren que el desempeño de la inteligencia artificial es
igual al de los humanos en la detección de fracturas osteoporóticas,
como fracturas de cadera, radio distal y húmero proximal.
Sin
embargo, aún no se ha informado si la inteligencia artificial funciona
tan bien en la detección de fracturas vertebrales en radiografías
simples de columna lateral.
El
modelo de inteligencia artificial detectó fracturas vertebrales en
radiografías laterales simples con alta precisión, sensibilidad y
especificidad, especialmente para fracturas vertebrales lumbares
osteoporóticas (Genant Grados 2 y 3).
El informe rápido de
resultados utilizando este modelo de inteligencia artificial puede
mejorar la eficiencia del diagnóstico de fracturas vertebrales.
El modelo de prueba está disponible en http://140.113.114.104/vght_demo/corr/.
Se
pueden cargar una o varias radiografías laterales simples de la columna
en el formato de imágenes digitales y comunicaciones en medicina para
ver el rendimiento del modelo de inteligencia artificial.
Li YC, Chen
HH, Horng-Shing Lu H, Hondar Wu HT, Chang MC, Chou PH. Can a
Deep-learning Model for the Automated Detection of Vertebral Fractures
Approach the Performance Level of Human Subspecialists? Clin Orthop
Relat Res. 2021 Jul 1;479(7):1598-1612. doi:
10.1097/CORR.0000000000001685. PMID: 33651768.
