Radiología: ¿Habrá máquinas de autodiagnóstico por imágenes (CT, MRI, USG, ECHO, etc.) en el futuro para que la necesidad de un radiólogo para hacer informes de diagnóstico se vuelva obsoleta?

Dudo mucho que esto ocurra en el futuro previsible para la mayoría de las condiciones. Gran parte del diagnóstico es cualitativo y se basa en una lógica muy difusa. Sin embargo, creo que en un pequeño subconjunto de casos, el diagnóstico en general (ya sea que se base o no en imágenes médicas) puede ser más automatizado. Creo que esto es factible computacionalmente si y solo si hay formas de informar y controlar los síntomas, el intento de tratamiento y la respuesta de cada paciente. También desearía que hubiera una manera de informar las elecciones dietéticas y de estilo de vida de los pacientes (incluidos pacientes perfectamente sanos). De esta manera, las estadísticas complejas multivariadas pueden tabularse continuamente y usarse para entrenar algoritmos de aprendizaje automático para nuevos casos. Sin embargo, no estamos cerca de este mantenimiento universal de registros, y el subconjunto de afecciones que pueden diagnosticarse automáticamente sin esto, y aún más, que se prestan a un tratamiento propuesto, es probablemente bastante pequeño.

Este registro universal estandarizado y simplificado que propongo (estoy seguro de que otros debieron haber pensado y discutido en el pasado, espero), ofrecería una ventaja crítica: combinaría la investigación con la práctica clínica más fácilmente. Un clínico podría ingresar rápidamente un conjunto de síntomas y otros datos sobre un paciente, posiblemente incluso una línea de tiempo de progresión de los síntomas, etc., y luego obtener acceso inmediato a estadísticas tabuladas y niveles de confianza sobre pacientes que han tenido combinaciones similares de síntomas , hechos y plazos. El médico podría recomendar los tratamientos que parecen haber funcionado mejor para los pacientes que son más similares a este nuevo paciente en particular. Por otro lado, un investigador tendría una gran cantidad de datos para trabajar, a fin de extraer nuevas inferencias y comprender mejor los procesos de la enfermedad y las prácticas de atención médica.

La investigación científica actual no permite esto porque para tener estadísticas tan granulares para tantas variables (es decir, combinaciones de síntomas y otros hechos), para tener una buena oportunidad de encontrar una gran cantidad de pacientes con una presentación similar al paciente actual , se necesita una gran cantidad de casos, una base de datos muy grande. Esto se debe a que mientras más factores se comparan, se necesitan más muestras para cubrir todas las diferentes combinaciones de factores y niveles de factores. Por lo tanto, el seguimiento de los hechos sobre cada paciente que visita a un médico en cualquier hospital o práctica (con suerte de forma completamente anónima y segura) proporcionaría la gran N necesaria para dar un diagnóstico confiable y el tratamiento propuesto. Además, se pueden incluir y compartir voluntariamente con la base de datos los tipos de “auto cuantificación” del monitoreo del hogar para enriquecer los datos y las ideas que se pueden obtener de ellos.

De lo contrario, actualmente, los médicos deben confiar un poco en la experiencia, las conjeturas educadas, etc. Esto no es ideal, porque la variabilidad entre los individuos parece ser tan alta que la mayoría de las veces, cuando los síntomas no se combinan para formar una presentación clásica. de una condición clásica, el médico realmente solo está adivinando. De hecho, el médico a menudo admite no saber en absoluto cuál es el problema en la mayoría de los casos, según mi experiencia. Esta ha sido mi experiencia y la de mi esposa. En toda mi vida, una minoría muy pequeña de quejas fueron diagnosticadas con confianza. En la mayoría de los casos, el médico realmente no tenía idea de lo que estaba sucediendo incluso después de realizar pruebas. Lo mismo fue atestiguado por mi esposa y muchos otros con quienes he hablado. Estoy seguro de que hay estudios que analizan con qué frecuencia el diagnóstico no es posible, o muy poco seguro o confiado, pero en última instancia incorrecto.

Por lo tanto, creo que las computadoras en el futuro pueden ayudar a diagnosticar las presentaciones más clásicas, pero también pueden aumentar la confianza en combinaciones de síntomas menos predecibles, pero creo que esto requiere una base de datos masiva con cantidades masivas de datos detallados, algo que definitivamente no tenemos No tengo actualmente. Creo que la evaluación automática de los datos de la imagen agrega un nivel adicional de complejidad para obtener las estadísticas necesarias para el diagnóstico.

Las computadoras ya pueden funcionar de manera comparable a los expertos en interpretación de escaneos. Y eso sin usar las últimas prácticas de aprendizaje automático (las redes neuronales profundas han mostrado mejoras dramáticas a las NN anteriores).

La producción del ANN capacitado superó a los radiólogos asistentes con bajos niveles de experiencia y mostró un rendimiento comparable con los radiólogos con mayores niveles de experiencia. CONCLUSIONES: El ANN puede funcionar como un sistema de respaldo para ayudar a los radiólogos en el diagnóstico de cáncer de seno.

ftp://fileserver.itb.cnr.it/acal

En los más de 15 años transcurridos desde que se realizó ese trabajo, el aprendizaje automático ha mejorado dramáticamente, la capacitación de los médicos ha mejorado modestamente. Por lo tanto, sospecho que para detectar y clasificar anomalías en las imágenes, los mejores sistemas de aprendizaje automático probablemente puedan superar a casi todos los expertos.

Aquí hay una descripción general reciente del aprendizaje automático y la radiología,

La segunda gran ventaja de las tecnologías de aprendizaje automático es un rendimiento comparable al de los humanos. En muchas aplicaciones de radiología, por ejemplo, mamografía y CAD de colon, los sistemas CADx computarizados han demostrado un rendimiento comparable, o incluso mayor, en comparación con radiólogos y tecnólogos bien entrenados y experimentados (Cheng et al., 2003; Doi, 2005, 2007; Giger et al. ., 2001). Además, un buen predictor de aprendizaje automático generalmente dará predicciones con bajo sesgo y varianza en cualquier momento y en cualquier lugar. Por el contrario, el rendimiento de los radiólogos puede verse afectado por varios factores: fatiga, emoción, tiempo de lectura y entorno, etc. En principio, los sistemas informáticos basados ​​en el aprendizaje automático funcionarán de manera más consistente que los seres humanos.

Página en nih.gov

Tenga en cuenta nuevamente que los estudios a los que se hace referencia tienen más de 10 años, las mejores prácticas actuales en el aprendizaje automático han visto una mejora dramática en la clasificación en numerosos campos, por lo tanto, si se realizaban en comparación con los humanos en ese momento, un sistema de vanguardia probablemente superará al mejor expertos

Con respecto a las “máquinas de TC de autodiagnóstico” … hay una investigación en curso que está trabajando para construir una gran base de datos mapeando visualmente espacialmente los hallazgos de TC normales y promedio de miles de pacientes.

Teóricamente, con una base de datos estandarizada, los hallazgos de cualquier paciente pueden ser comparados por una computadora y cualquier dato anormal (hallazgos anatómicos de TC) puede reportarse automáticamente.

Sin embargo, en la actualidad, los resultados de esta investigación no son tan efectivos como el ojo entrenado de un radiólogo.

Ryan Polselli, MD
Radiólogo

Esas máquinas no se autodiagnostican … son simplemente ventanas a lo que está sucediendo dentro del cuerpo humano, proporcionándonos imágenes para interpretar. Los radiólogos y cardiólogos asisten a años de capacitación para poder leer los resultados.

Actualmente, tenemos detección asistida por computadora, que está disponible como un recurso complementario para los radiólogos. Si el radiólogo puede reconocer patrones, también lo pueden hacer los sistemas de aprendizaje. La calidad de los datos es cada vez mejor al mejorar la resolución.

Altamente posible

El futuro es infinito. Habrá.

Bueno, el avance tecnológico puede hacer que todo sea posible.

Muy posible! Parece que ya has dado una línea hacia la solución también.