Identificación automática de hemorragias intracraneales en el Departamento de Radiología de la Fundación Valle de Lili

Abstract

La aplicación cada vez más frecuente de máquinas de aprendizaje, destaca la habilidad de esta herramienta para realizar tareas y analizar datos complejos o en gran cantidad, logrando automatizar muchos procesos de la vida real. Además, en cuanto al entorno médico, específicamente en imagenología médica, el tiempo que toma la valoración de las imágenes puede ser crítico en algunas patologías como lo son las hemorragias intracraneales, las cuales se deben tratar lo más rápido posible para evitar un desenlace no deseado en el paciente. Por lo anterior el objetivo del presente proyecto se basa en desarrollar una metodología, aplicando modelos de máquinas de aprendizaje que permitan abordar la identificación de hemorragias intracraneales en imágenes de tomografía computarizada, clasificando pacientes sanos y enfermos, de acuerdo con los hallazgos en las imágenes, y priorizando la revisión del estudio para su posterior reporte, el cual es realizado por el personal médico. Para llevar a cabo la tarea de clasificación, se obtiene un conjunto de datos de 740 pacientes, de los cuales se extraen 21 regiones por cada paciente, como resultado 15540 muestras de las cuales 1978 se encuentran etiquetadas como enfermas y el resto como sanas, dichas muestras enfermas fueron sometidas a técnicas de balanceo de datos que permitieron equilibrar las clases; seguido a esto, se realiza extracción de características radiómicas a partir de dichas muestras y se procede a evaluar los modelos de clasificación, en donde se compara el desempeño de 6 modelos de máquinas de aprendizaje para obtener el modelo con las mejores métricas. Como resultado, el mejor modelo para realizar la clasificación fue árboles de decisión el cual obtuvo una puntuación F1 del 94,5% y un menor número de falsos positivos y falsos negativos, demostrando así su alta exactitud en comparación con los demás modelos. Los resultados obtenidos permitieron destacar el buen rendimiento de los algoritmos de máquinas de aprendizaje aplicados a la identificación de hemorragias intracraneales.

The increasingly frequent application of machine learning highlights the ability of this tool to perform tasks and analyze complex or large amounts of data, managing to automate many real-life processes. Furthermore, in the medical environment, specifically in medical imaging, the time it takes to evaluate images can be critical in some pathologies, such as intracranial hemorrhages, which must be treated as quickly as possible to avoid an undesirable outcome in the patient. Therefore, the objective of the current project is based on developing a methodology, applying machine learning models that allow to address the identification of intracranial hemorrhages in computed tomography images, classifying healthy and sick patients according to the findings in the images, and prioritizing the review of the study for subsequent reporting, which is performed by medical staff. To carry out the classification task, a data set of 740 patients is obtained, from which 21 regions are extracted for each patient, resulting in 15540 samples, of which 1978 are labeled as diseased and the rest as healthy. These diseased samples were subjected to data balancing techniques that allowed balancing the classes, followed by extraction of radiomic features from these samples and proceed to evaluate the classification models, where the performance of 6 machine learning models is compared to obtain the model with the best metrics. As a result, the best model to perform the classification was decision trees which obtained an F1 score of 94.5% and a lower number of false positives and false negatives, thus demonstrating its high accuracy compared to the other models. The results highlighted the good performance of machine learning algorithms applied to identify intracranial hemorrhages