Un enfoque de visión por computadora y aprendizaje automático para clasificar vistas en radiografías del radio distal

Los avances recientes en visión por computadora y aprendizaje automático han mejorado significativamente la capacidad para analizar radiografías ortopédicas, una herramienta vital en el diagnóstico médico. A pesar de estos avances tecnológicos, un paso a menudo pasado por alto pero crucial es la clasificación precisa de las vistas radiográficas y la localización de las regiones anatómicas relevantes. Estos factores son fundamentales para la eficacia de los modelos diagnósticos posteriores, especialmente en la detección precisa de fracturas.\n\nEste estudio presenta un modelo de detección de objetos basado en aprendizaje profundo, junto con una aplicación móvil, destinado a clasificar radiografías del radio distal en tres vistas estándar: anteroposterior (AP), lateral (LAT) y oblicua (OB). Junto con esta clasificación, el modelo localiza el área anatómica clave más pertinente para las fracturas del radio distal. El conjunto de datos comprendió 1,593 radiografías anonimizadas recolectadas en una sola institución durante un período que abarca de 2021 a 2023, distribuidas de manera bastante equitativa entre las tres categorías de vista: 544 AP, 538 LAT y 521 OB.\n\nLa anotación de cada imagen se realizó meticulosamente usando el software Labellerr dibujando cuadros delimitadores que abarcaban la región anatómica desde la articulación metacarpofalángica (MCP) del segundo dedo hasta el tercio distal del radio. Estas anotaciones fueron verificadas por un cirujano ortopédico experimentado para garantizar precisión y relevancia clínica. Aprovechando este conjunto de datos anotado, se ajustó y entrenó un modelo de detección de objetos YOLOv5 con una división de entrenamiento/validación/prueba de 70/15/15.\n\nEl modelo resultante demostró métricas de rendimiento impresionantes, alcanzando una precisión general del 97.3%. Desglosando, el modelo alcanzó precisiones específicas por clase de 99% para vistas AP, 100% para vistas LAT y 93% para vistas OB. Las tasas de precisión y recall fueron igualmente altas, con 96.8% y 97.5%, respectivamente. El análisis estadístico confirmó que el rendimiento del modelo fue significativamente mejor que una suposición aleatoria (p < 0.001, prueba binomial).\n\nPara facilitar la integración clínica, se desarrolló una aplicación móvil fácil de usar con Streamlit, que permite un despliegue sencillo en entornos de atención médica. Esta herramienta automatizada de clasificación sirve para reducir el espacio de características aislando solo las regiones anatómicas pertinentes dentro de las radiografías. Este enfoque focalizado se espera que mejore la precisión de los modelos de clasificación de fracturas posteriores al minimizar distracciones de estructuras anatómicas irrelevantes.\n\nEn resumen, esta investigación demuestra una solución práctica y de alto rendimiento para la clasificación automatizada de vistas y localización anatómica en radiografías del radio distal. Al concentrar los esfuerzos diagnósticos posteriores en las regiones correctamente identificadas y localizadas, el enfoque promete una mejor detección de fracturas y mejores resultados para los pacientes, marcando una contribución valiosa a la imagen ortopédica asistida por computadora.