XXXVI Reunión Bienal de la Real Sociedad Española de Física

Estimación del ángulo de Cobb con métodos aprendizaje máquina a partir de imágenes topográficas de la superficie de la espalda, obtenidas con luz estructurada

19 jul. 2017 17:15

15m

Aula Química Orgánica (Facultad de Química (USC))

Oral parallel contribution Física Médica Física Médica II

Descripción

El aprendizaje máquina (machine learning) ofrece algoritmos y procedimientos inteligentes para abordar análisis complejos de datos, los cuales han servido para la implementación de sistemas de ayuda a la decisión en una variedad de aplicaciones dentro de diversas áreas médicas. En este trabajo se ha aplicado para el diagnóstico y seguimiento de la escoliosis idiopática. Esta patología frecuente en la adolescencia se caracterizada por el valor del ángulo de Cobb medido en la radiografía del paciente. Ahora bien, la dosis repetida de radiación ionizante, a la cual están expuestos estos pacientes en edades más radiosensibles, puede representar riesgos para su salud futura. La topografía de superficie de la espalda es una propuesta que la propia SOSORT (International Society on Scoliosis Orthopaedic Rehabilitation and Treatment) resalta como prueba complementaria para documentar la deformidad asociada con la escoliosis. No obstante, existen diversas técnicas topográficas que tratan de valorar la deformidad, mediante índices topográficos diferentes, por lo que muchas veces no son comparables entre sí y no facilita un consenso para que estas técnicas sean útiles en la práctica clínica habitual. Por ello, el objetivo de este trabajo es la utilización de modelos de aprendizaje máquina para estimar el ángulo de Cobb a partir de variables topográficas obtenidas con un método no lesivo basado en la proyección de luz estructurada. El modelo con mejores resultados ha sido el Random forest (RF). Los valores estimados del ángulo de Cobb con este modelo, aplicado a todos los casos, permite clasificar a los pacientes como patológicos si el Cobb calculado es mayor o igual a 10º, con índices de fiabilidad diagnóstica: sensibilidad=0.97, especificidad=0.79, valor predictivo positivo=0.92 y valor predictivo negativo=0.91, que avalan la capacidad diagnóstica del método.