Detección de apendicitis sobre ecografía de abdomen pediátricas utilizando técnicas de inteligencia artificial

RESUMEN : La apendicitis aguda es la patología quirúrgica más común en todo el mundo, y el diagnóstico preciso y oportuno es importante para prevenir complicaciones graves como perforación, formación de abscesos y sepsis, especialmente en niños y adolescentes. Este estudio tiene como objetivo mejorar la precisión diagnóstica de la apendicitis aguda en niños utilizando EfficientNet, una red neuronal convolucional (CNN) conocida por su eficiencia y eficacia en tareas de clasificación de imágenes. Utilizamos un conjunto de datos de 2097 imágenes de ultrasonido del Hospital St. Hedwig en Ratisbona, Alemania. Incluye datos de pacientes pediátricos con dolor abdominal de 2016 a 2021. Las imágenes se preprocesaron para eliminar información superflua, se equilibraron mediante submuestreo aleatorio, un posterior OverSampling y se mejoraron mediante transformaciones para ajustar la solidez del modelo. EfficientNet se optimizo mediante el aprendizaje por transferencia creando imágenes sintéticas para reemplazar el nivel de clasificación final y distinguir entre "apendicitis", "sin apendicitis" y "sin apéndice visible". El rendimiento del modelo se evaluó mediante precisión, sensibilidad y área bajo la curva característica operativa del receptor (AUC-ROC). Los resultados mostraron una precisión del 90,72 %, una sensibilidad del 90,64 % y un AUC-ROC de 98,29%. Estos resultados sugieren que EfficientNet puede identificar eficazmente casos de apendicitis aguda en imágenes de ultrasonido pediátrico con alta sensibilidad y detectar correctamente la mayoría de los casos positivos. La integración de EfficientNet en los flujos de trabajo clínicos tiene el potencial de mejorar significativamente la precisión del diagnóstico, reducir las cirugías innecesarias y permitir una intervención oportuna para los niños con apendicitis. Este estudio destaca el potencial de la inteligencia artificial para mejorar las capacidades de diagnóstico y ayudar a los profesionales de la salud a tomar decisiones informadas.

• Autores: Reyes Velasquez, Rafael
• Tipo de recurso: Article of investigation
• Fecha de publicación: 2024
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/40424
• Acceso en línea: https://hdl.handle.net/10495/40424; https://github.com/mamut1485/Project-Ultrasound-Analysis-Pediatric.git
• Palabra clave: Ultrasonografía; Ultrasonography; Redes neurales (computadores); Neural networks (Computer science); Inteligencia artificial; Artificial intelligence; Apendicitis - Diagnóstico; Procesamiento de imágenes; Image processing; Apendicitis pediátrica; Segmentación de imágenes; https://id.nlm.nih.gov/mesh/D014463
• Rights: openAccess
• License: https://creativecommons.org/licenses/by-nc-sa/4.0/