Herramienta de IA integra resonancia magnética y ecografía para detectar endometriosis

El diagnóstico suele depender de la visualización quirúrgica, mientras que la resonancia magnética y la ecografía pueden pasar por alto características de la enfermedad y variar según la experiencia del operador. Ahora, los investigadores han desarrollado una herramienta de IA diseñada para identificar signos de endometriosis a partir de una sola exploración.

EndoFusion es un desarrollo reciente de IMAGENDO, un estudio colaborativo en curso liderado por investigadores de la Universidad de Adelaida. La herramienta está diseñada para consolidar la resonancia magnética pélvica y la ecografía transvaginal en un único marco de decisión. Su objetivo es detectar rápidamente y sin cirugía dos indicadores principales de endometriosis avanzada.

El marco integra datos de ambas modalidades para superar la tendencia de cada tipo de exploración a detectar preferentemente un marcador. Produce una clasificación en 18 milisegundos tras la entrada de la imagen. Los investigadores informan que este enfoque está destinado a mitigar la dependencia del operador y agilizar el acceso a una imagenología adecuada.

El desarrollo se basó en cuatro conjuntos de datos que contenían más de 9.000 exploraciones de RM pélvica de mujeres y más de 800 exploraciones ecográficas transvaginales de barrido. Los investigadores evaluaron la capacidad del modelo para distinguir entre casos positivos y negativos y hallaron que ofrecía un diagnóstico correcto el 83% de las veces. El marco superó a todos los modelos competidores evaluados.

Los resultados se publicaron recientemente en Artificial Intelligence in Medicine. Entre los colaboradores se encontraban la Universidad Flinders, Benson Radiology, Omni Ultrasound and Gynaecological Care, la Universidad de Surrey, el Centro Médico de la Universidad McMaster y la Universidad de Inteligencia Artificial Mohamed bin Zayed. Los próximos pasos ampliarán el conjunto de datos para incluir marcadores adicionales de endometriosis con el fin de mejorar la precisión de la clasificación y ampliar su aplicabilidad.

“Los métodos de exploración actuales tienen cada uno sus propias fortalezas cuando se trata de detectar dos marcadores comunes que indican la probabilidad de endometriosis, y los pacientes a menudo solo tienen acceso a uno de ellos”, dijo la profesora asociada Jodie Avery, codirectora de investigación de Afecciones Reproductivas Crónicas del Grupo de Investigación sobre la Endometriosis del Instituto de Investigación Robinson de la Universidad de Adelaida.

“Nuestra herramienta de IA puede ayudar a abordar estas deficiencias combinando datos de ambas herramientas de imagen, lo que le da al marco el conocimiento que necesita para detectar ambos signos de endometriosis mediante una sola exploración de manera más eficaz y eficiente.”

Enlaces relacionados
Universidad de Adelaida