Doctor Bone: entrenamiento de redes neuronales para ayudar en la determinación de la edad ósea
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1382Palabras clave:
Edad Ósea, Ayuda Diagnóstica, Inteligencia artificialResumen
Objetivo: Explorar la aplicación de la inteligencia artificial (IA) en la predicción de la edad ósea a partir de imágenes de rayos X. Método: Se utilizó la Metodología Interdisciplinaria para el Desarrollo de Tecnologías en Salud (MIDTS) para desarrollar una herramienta de predicción. El entrenamiento se realizó con redes neuronales convolucionales (CNN) utilizando un conjunto de datos de 14,036 imágenes de rayos X. Resultados: La herramienta alcanzó un coeficiente de determinación (R²) de 0.94807 y un Error Medio Absoluto (MAE) de 6.97, destacando su precisión y potencial clínico. Conclusión: El proyecto demostró un gran potencial para mejorar la predicción de la edad ósea, con posibilidades de evolución a medida que la base de datos crezca y la IA se vuelva más sofisticada.
Citas
Burns DAR, SIlva LR, Júnior DC, Blank D, Vaz EDS, Borges WG. Tratado de pediatria. 4th ed. São Paulo: Manole Saúde; 2017.
Somkantha K, Theera-Umpon N, Auephanwiriyakul S, Williamson TH. Bone age assessment in young children using automatic carpal bone feature extraction and support vector regression. J Digit Imaging. 2011 Dec;24(6):1044-58. doi: 10.1007/s10278-011-9372-3. DOI: https://doi.org/10.1007/s10278-011-9372-3
Larson DB, Chen MC, Lungren MP, Halabi SS, Stence NV, Langlotz CP. Performance of a deep-learning neural network model in assessing skeletal maturity on pediatric hand radiographs. Radiology. 2018 Apr;287(1):313-22. doi: 10.1148/radiol.2017170236. DOI: https://doi.org/10.1148/radiol.2017170236
Rijn RR, Lequin MH, Thodberg HH. Bone age assessment: automated techniques coming of age? Acta Radiol. 2013 Nov;54(9):1024-9. doi: 10.1258/ar.2012.120443. DOI: https://doi.org/10.1258/ar.2012.120443
Savi FM, de Oliveira PT, Cestari TM, Granjeiro JM, Taga R. Histomorphometric evaluation of critical-sized bone defects using osteomeasure and aperio image analysis systems. Tissue Eng Part C Methods. 2019 Dec;25(12):732-741. doi: 10.1089/ten.tec.2019.0179. DOI: https://doi.org/10.1089/ten.tec.2019.0179
Lee BD, Lee SA, Kim H, Cho J, Kim MS, Ko HK, et al. Automated bone age assessment using artificial intelligence: the future of bone age assessment. Korean J Radiol. 2021 May;22(5):792-800. doi: 10.3348/kjr.2020.0941. DOI: https://doi.org/10.3348/kjr.2020.0941
Albanese A, Stanhope R, Fitzgerald F, Preece M. The use of a computerized method of bone age assessment in clinical practice. Horm Res. 1995;44(3):2-7. doi: 10.1159/000184665. DOI: https://doi.org/10.1159/000184665
Maratová K, Chaloupková P, Šnajderová M, Krejčí H, Černá J, Novotná D, et al. A comprehensive validation study of the latest version of Bonexpert on a large cohort of Caucasian children and adolescents. Front Endocrinol (Lausanne). 2023;14:1130580. doi: 10.3389/fendo.2023.1130580. DOI: https://doi.org/10.3389/fendo.2023.1130580
Ravi D, Wong C, Deligianni F, Berthelot M, Andreu-Perez J, Lo B, Yang GZ. Deep learning for health informatics. IEEE J Biomed Health Inform. 2017 Jan;21(1):4-21. DOI: https://doi.org/10.1109/JBHI.2016.2636665
Filho JEV, Brasil CCP, Carneiro MC, Junior GS. MIDTS: método interdisciplinar para o desenvolvimento de tecnologias em saúde. In: Jorge MSB, Vergara CAC, Sampaio HADC, Moreira TMM, editors. Tecnologias e-Health em Gestão em Saúde. Curitiba: Editora CRV; 2021. p. 49-66.
Nielsen J. Ten usability heuristics [Internet]. [place unknown: publisher unknown]; 1994 Apr 24 [updated 2024 Jan 30; cited 2024 May 29]. Available from: https://www.nngroup.com/articles/ten-usability-heuristics/.
Material Design [Internet]. [place unknown: publisher unknown]; [date unknown] [cited 2024 May 29]. Available from: https://m3.material.io/.
Keras [Internet]. Keras 3 API Documentation. [place unknown: publisher unknown]; 2024 [cited 2024 May 24]. Available from: https://keras.io/api/.
Halabi SS, Prevedello LM, Kalpathy-Cramer J, Mamonov AB, Bilbily A, Cicero M, et al. The RSNA Pediatric Bone Age Machine Learning Challenge. Radiology. 2019 Feb;290(2):498-503. DOI: https://doi.org/10.1148/radiol.2018180736
ImageNet [Internet]. [place unknown: publisher unknown]; [date unknown] [cited 2024 May 28]. Available from: https://www.image-net.org/.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
La sumisión de un artículo a el Journal of Health Informatics es entendida como exclusiva y que no esta siendo considerado para publicación en otro periódico. La permisión de los autores para la publicación de su artículo en lo JHI implica en la exclusiva autorización concedida a los editores para su inclusión en la revista. Al someter un artículo, a lo autor será solicitada la permisión electrónica de una Nota de Copyright. Una mensaje electrónica será enviada a lo autor correspondiente confirmando el recibo del manuscrito y lo aceite de la Nota de Copyright.
