Estimación de tiempo de evolución de enfermedad cerebrovascular isquémica en paciente mediante aprendizaje automático en el Departamento de Radiología de la Fundación Valle de Lili

Abstract

Los algoritmos de Machine Learning (ML) han impulsado aplicaciones en distintas áreas de investigación. En este trabajo, se evalúa modelos de ML para estimación del tiempo de evolución del Accidente cerebrovascular isquémico (ACVi) mediante caracterización radiómica de imágenes de Tomografía Computarizada (TC) y características clínicas. Estos registros se encuentran almacenados en el Sistema de Información Radiológica del departamento de Radiología de la Fundación Valle de Lili, y son adecuados para construir una base de datos con 2819 muestras obtenidas de los registros de 74 pacientes. La recolección de imágenes e información clínica del paciente se realizó de forma manual. Se organizaron características clínicas; de la evaluación realizada al paciente y radiómicas; extraidas de las imágenes de TC en un conjunto de datos. Se implementaron técnicas de clasificación para la estimación entre dos clases: clase 1; tiempo trascurrido desde el inicio del ACVi menor o igual a 4,5 horas y clase 2; mayor a 4,5 horas. El mejor clasificador fue Gradient Boosting con exactitud de 99,1%, precisión de 100%, sensibilidad de 98,3%, especificidad de 100%, puntaje F1 de 99,1% e índice kappa de 98,3%. Finalmente, se implementaron técnicas de regresión que buscan estimar el tiempo transcurrido en un rango definido por cada una de las clases. El mejor regresor para la clase 1 fue Bosque aleatorio con MAE de 5,735 y RMSE de 18,855, mientras que, para la clase 2, fue Árbol de decisión con MAE de 9,905 y RMSE de 90,961.

Machine learning (ML) algorithms have driven applications in different research areas. In this work, ML models are evaluated to estimate the time of evolution of a stroke through radiomic characterization of computerized tomography (CT) images and clinical characteristics. These records are stored in the Radiological Information System of the Radiology Department of the Fundación Valle de Lili, and are suitable for building a database with 2,819 samples obtained from the records of 74 patients. The collection of images and clinical information of the patient was carried out manually. Characteristics clinical; of the evaluation carried out on the patient and radiomics; extracted from the CT images were organized in a data set. Classification techniques were implemented for the estimation between two classes: class 1, the time elapsed since the start of the ACVi less than or equal to 4.5 hours, and class 2, greater than 4.5 hours. The best classifier was Gradient Boosting with an accuracy of 99.1%, precision of 100%, sensitivity of 98.3%, specificity of 100%, F1 score of 99.1%, and kappa index of 98.3%. Finally, regression techniques were implemented to estimate the time elapsed in a range defined by each class. The best regressor for class 1 was Random Forest with MAE of 5,735 and RMSE of 18,855, while for class 2, it was Decision Tree with MAE of 9,905 and RMSE of 90,961.