De acuerdo con un estudio publicado en la revista American Journal of Roentgenology (AJR), un nuevo método de aprendizaje profundo que utiliza una red neuronal convolucional (CNN) es capaz de apoyar la evaluación de pequeñas masas renales sólidas en imágenes dinámicas de tomografía computarizada (TC) con un rendimiento diagnóstico aceptable.

Entre 2012 y 2016, investigadores de la Universidad de Okayama de Japón, autores de la citada investigación, estudiaron 1807 conjuntos de imágenes de 168 masas renales sólidas pequeñas (de alrededor de 4 cm) diagnosticadas patológicamente con cuatro fases de TC: sin contraste, corticomedular, nefrogénica y excretora, en 159 pacientes.

Las masas se clasificaron como malignas o benignas utilizando una escala de 5 puntos, y este conjunto de datos se dividió al azar en cinco subconjuntos.

Cuatro se usaron para aumento y entrenamiento supervisado (48,832 imágenes), y una se usó para pruebas (281 imágenes)“, así lo dijo Takashi Tanaka, autor principal del trabajo.

Utilizando el modelo CNN de arquitectura conocido como Inception-v3, se evaluó el índice de malignidad y precisión con los valores de corte óptimos de los datos de salida de las tomografías en seis modelos de CNN distintos.

Al no encontrar una diferencia de tamaño significativa entre las lesiones malignas y benignas, el equipo de Tanaka descubrió que el valor del índice dentro de la fase corticomedular fue más alto que el de otras fases.

Además, se obtuvo la mayor precisión (88%) en las imágenes de fase corticomedular.

El análisis multivariado reveló que el modelo CNN de fase corticomedular fungió como un buen predictor de malignidad, “en comparación con otros modelos CNN que tomaron en cuenta edad, sexo y tamaño de la lesión“, concluyó Tanaka.

 

Vía: Science Daily