Un estudio demuestra que el deep learning puede identificar con gran precisión los encondromas en imágenes médicas.
Los encondromas son tumores benignos de cartílago hialino que suelen crecer dentro de los huesos largos. Aunque en la mayoría de los casos no presentan síntomas, su detección temprana es importante para descartar complicaciones y posibles transformaciones malignas. Tradicionalmente, su diagnóstico se realiza mediante radiografías, resonancias magnéticas o tomografías computarizadas. Sin embargo, la interpretación de estas imágenes suele ser compleja y requiere gran experiencia médica, es decir de especialistas altamente capacitados.
Un grupo de investigadores de la Universidad de Ondokuz Mayıs en Turquía desarrolló un modelo de artificial intelligence (AI) basado en aprendizaje profundo or deep learning para mejorar la identificación de encondromas en radiografías. El estudio, publicado en Scientific Reports, utilizó un conjunto de datos de 1,055 pacientes, cuyas imágenes fueron anonimizadas y etiquetadas por especialistas en oncología ortopédica.
El sistema fue entrenado con diferentes arquitecturas de visión por computadora, entre ellas YOLOv8 y Detectron2, dos de las herramientas más avanzadas en el campo de la detección de objetos. Tras optimizar los parámetros de los modelos y aplicar técnicas de validación cruzada, los investigadores alcanzaron una precisión promedio del 97% y una exactitud del 98% en la detección de estas lesiones.
De acuerdo con los autores, el uso de radiografías, más accesibles y económicas que otros métodos de imagen, junto con estas técnicas de AI puede agilizar los procesos diagnósticos, reducir la carga de trabajo de los radiólogos y minimizar posibles errores en la interpretación. Además, la investigación representa uno de los esfuerzos más amplios hasta ahora en el campo, al integrar datos de múltiples centros médicos.
Si bien el estudio presenta limitaciones y requiere validaciones adicionales, sus resultados son prometedores para abrir el panorama en la combinación de radiografías convencionales y algoritmos de deep learning para mejorar la precisión diagnóstica.
