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

David Ruano Ordás , Silvana Gómez Meire , Tomás Cotos Yáñez, María Reyes Pavón Rial

• 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