Page 5 - RETIC_NOV_2019_Vol_2_1
P. 5
Revista de ecocardiografía
práctica y otras técnicas de imagen cardíaca
Inteligencia artificial en imagen cardíaca: el ejemplo de la ecocardiografía
La ecocardiografía es sin duda la técnica diagnóstica más utilizada en el campo de la cardiología. La aplicación de la inteligencia artificial viene
a completar algunas de sus limitaciones y abre campos a un uso más eficiente de la técnica.
Identificación y reconocimiento de las vistas ecocardiográficas
Sin duda el punto de partida para una valoración y análisis de la ecocardiografía con inteligencia artificial es enseñarle a reconocer en qué vista
(2)
ecocardiográfica se está trabajando, así como el método de estudio, modo M, Doppler o ecocardiografía estándar. Kamis confirma cómo uti-
lizando algoritmos de machine learning se pueden reconocer con exactitud el 95% de los cortes obtenidos por vía apical. En el mismo sentido,
(3)
Madani ha demostrado recientemente cómo utilizando redes convolucionales neurales y deep learning es posible entrenar a la red neuronal
para que identifique y clasifique 15 cortes diferentes con una seguridad cercana al 98% (Figura 3).
Convolución Agrupación Convolución Agrupación Conexión Conexión Predicción
de datos de datos de resultados
A4C
A3C
A2C
PLAX
PSAX
Figura 3. Uso de redes neuronales convolucionales para identificar los distintos planos ecocardiográficos. Cada convolución implica la aplicación de un filtro
que va reduciendo y simplificando la información a utilizar
Sin duda esta detección por la máquina de la sección ecocardiográfica estudiada era un paso fundamental para el uso de la IA en ecocardiografía
y que el experto en ecocardiografía realiza con su experiencia de una manera totalmente automática e intuitiva.
Medición de parámetros cuantitativos
Uno de los puntos más importantes de la interpretación ecocardiográfica es la cuantificación de las medidas, que va a ser básica en la toma de
decisiones. Un ejemplo clásico es la determinación de los volúmenes y la fracción de eyección con ecocardiografía tanto del ventrículo derecho
como del izquierdo.
Utilizando algoritmos de árbol de decisiones (random forest), el grupo de Chicago de R Lang (4, 5) ha demostrado la capacidad para obtener con
precisión los bordes endocárdicos y, por tanto, los volúmenes de las cavidades con valores comparables al gold standard de la resonancia mag-
nética. En este sentido todo el desarrollo del heart model iniciado por este grupo de trabajo ha sido realmente la primera introducción de la IA
en los equipos ecocardiográficos para su uso práctico en la práctica diaria.
RETIC 2019 (2); 1: I-V III