El artículo presenta el desarrollo de un modelo de aprendizaje profundo de código abierto para identificar dispositivos electrónicos implantables cardíacos en radiografías de tórax. Este modelo es compatible tanto con imágenes en formato DICOM estándar como con fotografías de radiografías tomadas con teléfonos móviles.

La solución propuesta permite segmentar y clasificar estos dispositivos en las imágenes mencionadas, proporcionando información más rápida y precisa en entornos clínicos.

El estudio resalta la escasez de conjuntos de datos y códigos accesibles para este propósito. La disponibilidad pública del modelo y sus datos asociados fomenta la colaboración en la comunidad médica y científica, promoviendo avances en la radiología asistida por inteligencia artificial.

PUNTOS DÉBILES:

Aunque el modelo propuesto es prometedor, presenta algunas limitaciones que deben tenerse en cuenta, principalmente relacionadas con su generalización y aplicabilidad futura:

• El uso de datos retrospectivos podría introducir sesgos asociados a prácticas clínicas pasadas, las cuales podrían no reflejar las tendencias actuales o futuras en la implantación de dispositivos electrónicos cardíacos.
• Aunque el modelo es compatible con imágenes de radiografías tomadas con teléfonos inteligentes, la variabilidad en la calidad y las condiciones de iluminación de estas fotografías podría comprometer su precisión en entornos reales.
• La aparición de nuevos dispositivos o modificaciones en los modelos existentes podría requerir actualizaciones del modelo para mantener su precisión.

PUNTOS FUERTES:

• El estudio presenta un modelo de aprendizaje profundo disponible públicamente, lo que facilita su uso y mejora por parte de la comunidad médica y científica.
• El modelo puede analizar tanto imágenes DICOM estándar como fotografías de radiografías tomadas con teléfonos inteligentes. Su desempeño en imágenes adquiridas con dispositivos móviles es comparable al de las imágenes DICOM originales, lo que resalta su aplicabilidad en diversos entornos clínicos.
• Demuestra una alta precisión en la segmentación de dispositivos electrónicos implantables cardíacos y en la clasificación de fabricantes y modelos específicos, lo que puede optimizar la identificación y el manejo de estos dispositivos en la práctica clínica.
• Es una contribución significativa a la comunidad científica. Al proporcionar datos y modelos de acceso abierto, el estudio aborda la escasez de recursos disponibles en este campo, fomentando la investigación y el desarrollo futuros en la identificación de dispositivos cardíacos mediante inteligencia artificial.

Dr. Francisco Sendra Portero

Editor de la sección de FORMACIÓN