Revista de Medicina y Cirugía Vascular

Abstracto

Detección automatizada del cáncer de pulmón: una comparación entre médicos: una revisión de la literatura

Kaviya Sathyakumar, Michael Munoz, Snehal Bansod, Jaikaran Singh, Jasmin Hundal, B Benson A. Babu

Introducción: El cáncer de pulmón es la principal causa de muerte por cáncer en los Estados Unidos y en todo el mundo. Los radiólogos y los médicos tienen una gran carga de trabajo diaria, por lo que corren un alto riesgo de sufrir agotamiento. Para aliviar esta carga, esta revisión bibliográfica compara el rendimiento de cuatro modelos de IA diferentes en la detección de cáncer de nódulos pulmonares, así como su rendimiento en el caso de los médicos y radiólogos.

Métodos: Se extrajeron 648 artículos entre 2008 y 2019. Se seleccionaron 4/648 artículos. Criterios de inclusión: 18-65 años, tomografías computarizadas de tórax, nódulo pulmonar, cáncer de pulmón, aprendizaje profundo, métodos de conjunto y clásicos. Criterios de exclusión: edad mayor de 65 años, tomografías computarizadas de tórax, radiografías de tórax y genómica. Análisis de resultados: Sensibilidad, especificidad, precisión, curva ROC de sensibilidad-especificidad, área bajo la curva (AUC). Bases de datos: PubMed/MEDLINE, EMBASE, biblioteca Cochrane, Google Scholar, Web of science, IEEEXplore, DBLP.

Conclusión: La arquitectura híbrida de aprendizaje profundo es una arquitectura de última generación, con una precisión de alto rendimiento y un bajo índice de informes de falsos positivos. Sería valioso realizar estudios futuros que comparen en profundidad la precisión de cada modelo. Los sistemas automatizados de asistencia médica, como esta arquitectura híbrida, pueden ayudar a preservar una relación médico-paciente de alta calidad y reducir el agotamiento de los médicos.