SADiSiR: sistema de automatización do diagnóstico a partir de signos radiolóxicos

• D. Ruano-Ordás ^[1] ; S. Gómez Meire ^[1] ; T. R. Cotos-Yañez ^[1] ; R. Pavón ^[1]
  1. [1] Universidade de Vigo

     Universidade de Vigo

     Vigo, España

     
• Localización: Proxectos INOU 2023: Investigación aplicada na provincia de Ourense, 2024, ISBN 978-84-1188-035-0, págs. 151-168
• Idioma: gallego
• Enlaces
  • Texto Completo Libro (pdf)
• Resumen

  • No campo da medicina, a interpretación precisa de signos radiolóxicos é fundamental para o diagnóstico eficaz de enfermidades. Con todo, a abafadora cantidade de datos radiolóxicos desafía a capacidade dos e das profesionais da saúde para analizalos exhaustivamente. Neste sentido, a intelixencia artificial (IA) e os algoritmos de aprendizaxe automática xorden como unha solución crucial.

    O adestramento de algoritmos, utilizando conxuntos de signos radiolóxicos clinicamente relevantes e diversificados, permite construír modelos de aprendizaxe capaces de recoñecer patróns complexos e asociacións ocultas entre signos radiolóxicos. Isto facilita tanto obter diagnósticos máis rápidos e precisos coma identificar patoloxías en etapas temperás e, polo tanto, mellorar a calidade asistencial do servizo de radiodiagnose.

    Neste senso, desenvolveuse SADiSiR, unha ferramenta orientada a: (i) xerar diagnósticos personalizados en función das características de cada paciente e (ii) servir de apoio á decisión do facultativo ou facultativa. O protocolo experimental deseñado realizouse sobre o conxunto de datos PadChest cunha validación cruzada estratificada de k = 6. Os resultados obtidos demostran que RandomForest é o mellor algoritmo de clasificación cuns valores Kappa e ROC de 0,923 e 0,967, respectivamente