Título: PadChest: un gran conjunto de datos de imágenes de rayos X de tórax con informes

anotados de múltiples etiquetas.

Editorial: Medical Image Analysis - Editorial Board

índice H: 122 de la revista: Medical Image Analysis science direct.

 Antonio Pertusa: 18
 José María Salinas: 7
Número de citas que tiene el artículo. 23
Año. 2020
Cuartil: Q1
Número de citas del artículo 85 desde su publicación 2020

Aristas:
Desafíos de los conjuntos de datos de rayos X: A pesar de las afirmaciones de que alcanzan y / o
superan el nivel médico rendimiento, modelos actuales de aprendizaje profundo para la
clasificación de las patologías que utilizan radiografías de tórax están demostrando no ser
generalizables entre instituciones y aún no están listas para su adopción en entornos clínicos del
mundo real (Zech et al., 2018). Además, las advertencias de Las posibles consecuencias no
deseadas de su uso son discutidas por Cabitza y col. (2017). No está claro cómo extender el éxito
significativo en la visión por computadora utilizando redes neuronales profundas al dominio
médico.

El punto:
Las preguntas abiertas sobre los conjuntos de datos de radiología médica que aún deben abordarse
son:
• Cómo anotar la enorme cantidad de imágenes médicas que requieren los modelos de aprendizaje
profundo [11] y cumplir con los calidad requerida. Anotación manual a gran escala de fuentes en el
dominio general.
• Las etiquetas de imagen clínicamente relevantes que deben definirse y qué criterios deben seguirse
para anotar [11].
• Cómo lidiar con las incertidumbres en los textos de radiología. Los datos médicos se caracterizan
por la incertidumbre y la incompletitud y los sistemas de apoyo a la toma de decisiones de
aprendizaje automático (ML-DSS) deben adaptarse a los datos de entrada que reflejan la
naturaleza de la información médica, en lugar de imponer una idea de precisión e integridad de los
datos que no se ajustan a las historias clínicas de los pacientes y los registros médicos, por lo que la
calidad de los datos está lejos de ser óptima. A este respecto, [10] aconseja precaución con respecto
a las consecuencias no deseadas de la adopción de ML-DSS que eliminan el contexto e ignoran el
hecho de que la variabilidad del observador obedece no solo a deficiencias interpretativas sino
también a la variabilidad intrínseca en los fenómenos observados.
• Cómo controlar eficazmente los posibles factores de confusión, como la presencia de tubos,
catéteres, calidad de la imagen evaluada por radiólogos, posición del paciente, etc. y prevalencia de
entidad desequilibrada, que los modelos aprenden a explotar como características predictivas en
detrimento del patrón radiológico clínico.

Formalización:

El conjunto de datos PadChest consta de todas las radiografías de tórax disponibles que han sido
interpretadas e informadas por 18 radiólogos. en el Hospital Universitario de San Juan, Alicante
(España) desde enero de 2009 a diciembre de 2017, por un importe de 109.931 estudios y 168.861
imágenes diferentes. Este proyecto fue aprobado por el comité de investigación institucional, y
tanto las imágenes como los informes asociados fueron anonimizada y desidentificada por el Banco
de Imágenes Médicas de la Comunidad Valenciana del Departamento de Servicios Universal de
Salud y Salud Pública (BIMCV-CSUSP) y el Departamento de Informática en Salud del Hospital
San Juan. El conjunto de datos PadChest se puede descargar del repositorio del banco de imágenes
médicas (BIMCV - PADCHEST1),habilitado por el Banco de Imágenes Médicas de la Comunidad
Valenciana (BIMCV). La BIMCV ha lanzado varios proyectos en materia de imágenes médicas
poblacionales, cuyo objetivo es desarrollar e implementar una infraestructura con una capacidad de
almacenamiento siguiendo la arquitectura de I + D Cloud CEIB [23 ]. Una de las misiones de este
banco es promover la publicación de conocimiento científico como datos abiertos por sus
instituciones de salud afiliadas. PadChest contiene archivos de imagen que suman hasta 1 TB, un
archivo csv con 33 campos para cada estudio y un archivo de instrucciones que contiene
descripciones de campo, ejemplos e información de búsqueda para una recuperación de imágenes
eficiente. Un ejemplo de un estudio de conjunto de datos conSe pueden encontrar dos proyecciones
en C , junto con sus etiquetas asociadas y campos de información adicional. La metodología
empleada para construir PadChest comprende los siguientes pasos principales:
• Preprocesamiento de las imágenes y extracción de metadatos DICOM.
• Preprocesamiento de los informes
•Anotaciones médicas manuales utilizando una taxonomía jerárquica de hallazgos radiográficos,
diagnósticos diferenciales y sus ubicaciones anatómicas.
• Etiquetado automático del resto de estudios.

Las imágenes se procesaron reescalando el rango dinámico utilizando el ancho y el centro de la

ventana DICOM, cuando estaba disponible.No se redimensionaron para evitar la pérdida de
resolución. Algunas imágenes se excluyeron inicialmente cuando: 1) los datos de píxeles DICOM
no eran legibles; 2) la interpretación fotométrica faltaba o MONOCROMO1; 3) faltaba la
modalidad o era tomografía computarizada (TC) en lugar de radiografías;4) las proyecciones eran
lateral horizontal, oblicua o transtorácica; 5) el protocolo de imagen anatómica era diferente a ese
del tórax (por ejemplo, húmero, abdomen, ..), y 6) faltaba el informe del estudio o la interpretación
de la radiografía no era identificable.
El conjunto de datos de texto constaba de 206 222 informes de estudios. Solo había un informe para
cada estudio, y si un estudio tenía dos proyecciones, como PA y L, luego la descripción
radiográfica, por lo tanto, incluyó ambos resultados en el mismo informe. No todos los informes del
estudio tenían sus imágenes de rayos X disponibles y, a la inversa, no todas las radiografías
disponibles tenían los informes correspondientes. La verdad básica se obtuvo a partir de informes
de texto sin formato, pero no se pudo utilizar "tal cual" por las siguientes razones:
• Los informes estaban en texto libre no estructurado y no usaban diccionarios estandarizados ni
códigos médicos.
• Aunque la descripción de la radiografía estuvo presente constantemente en el informe, otras
secciones, como la del paciente historia, motivo del estudio e impresión diagnóstica, no se
incluyeron sistemáticamente en el informe y, cuando presente, aquellas secciones donde no estaban
claramente delimitadas o no siguieron un patrón consistente. En particular, el contenido el formato
varió ampliamente a lo largo de los años.
• En varios casos, la descripción de la radiografía contenía otros tipos de proyección, como sinusal
y abdominal tipos, cuya interpretación se incluyó junto con las radiografías de tórax en el mismo
informe.
Anotación de códigos médicos:
Se anotaron manualmente un total de 27.593 informes siguiendo una taxonomía jerárquica que se
describe a continuación. El manualmente el conjunto de datos etiquetado se utilizó posteriormente
para entrenar y validar un clasificador de texto de etiquetas múltiples, lo que permitió la anotación
de los 82,338 informes restantes.

Etiquetado automático del resto de informes:

Los informes que no se etiquetaron en la etapa anterior (75%) se etiquetaron automáticamente
mediante una red neuronal profunda clasificador entrenado con los datos etiquetados manualmente.
Por lo tanto, usamos el conjunto anotado manualmente de informes de rayos X como conjunto de
entrenamiento. El objetivo era producir un gran conjunto de datos de informes anotados para
usarlos como salida de un clasificador de imágenes. entrenado con las radiografías.

Contexto:

Las técnicas de aprendizaje profundo están obteniendo actualmente resultados prometedores y

funcionan extremadamente bien en una variedad de sofisticadas tareas asignadas [1 ], especialmente
las relacionadas con la visión por ordenador, que a menudo igualan o superan el rendimiento
humano [2]. La aplicación de redes neuronales profundas a imágenes médicas y radiografías de
tórax en particular, se ha convertido en un creciente área de investigación en los últimos años [ 3].
Por ejemplo, [4] entrenó una red neuronal convolucional (CNN) para clasificar y localizar 8
patologías utilizando la base de datos de radiografías de tórax (ChestX-Ray8) que comprendía
108,948 radiografías de vista frontal imágenes de 32.717 pacientes diferentes. Usando el mismo
repositorio, [ 5 ] extendió las anotaciones a 14 patologías diferentes.(ChestX-Ray14) y diseñó un
modelo con una arquitectura CNN más profunda para clasificar las imágenes como 14 entidades
patológicas. Se informó que este método obtiene una mayor eficiencia diagnóstica en la detección
de neumonías en comparación con el de los radiólogos. [ 6] propuso la CNN guiada por la atención
para ayudar a combinar información global y local con el fin depara mejorar el rendimiento del
reconocimiento. [7] también empleó Chest-XRay14 para diseñar una arquitectura de red que
combina texto e imagen con mecanismos de atención capaces de generar texto que describe la
imagen, mientras [ 8 ]introdujo un modelo jerárquico de redes neuronales recurrentes (RNN) con el
que generar largos párrafos a partir de las imágenes y obtener frases enlazadas semánticamente con
el mismo fin.
A pesar de las afirmaciones de que logran y / o superan el desempeño a nivel médico, los modelos
actuales de aprendizaje profundo para la clasificación de patologías mediante radiografías de tórax
está demostrando no ser generalizable entre instituciones y aún no está lista para su adopción en
entornos clínicos del mundo real [9]. Además, las advertencias de posibles consecuencias no
deseadas de su uso son discutidos por [ 10] .

Hay una serie de conjuntos de datos de rayos X de tórax disponibles públicamente que se pueden
utilizar para la clasificación y recuperación de imágenes. Tareas. El repositorio del Instituto
Nacional de Salud de América (NIH) [ 4] contiene 112,120 radiografías de tórax de vista frontal,
correspondiente a 30.805 pacientes diferentes, y multi-etiquetados con 14 enfermedades torácicas
diferentes [ 5]. El conjunto de datos del Instituto de Tuberculosis [ 15] consta de 10848 DICOM, de
los cuales 3828 muestran anomalías de la tuberculosis. El conjunto de datos de la Universidad de
Indiana [ 16] comprende 7470 imágenes de rayos X de tórax frontales y laterales, correspondientes
a 3955informes de radiología con anotaciones de enfermedades, como hipertrofia cardíaca, edema
pulmonar, opacidad o derrame pleural. El conjunto de datos JSRT [ 17] consta de 247 radiografías
de las cuales 154 han sido etiquetadas para nódulos pulmonares (100 malignos). [18]también
proporciona máscaras del área pulmonar para la evaluación del rendimiento de la segmentación. El
conjunto de datos de Shenzhen [ 19] tiene un total de 662 imágenes pertenecientes a dos categorías
(normal y tuberculosis).Con respecto a los métodos de anotación aplicados, [20 , 11] utilizó un gran
conjunto de datos que incluía 780.000 documentos de216.000 imágenes que comprenden TC, RM,
PET y otras modalidades de imagen, y semántica categórica extraída automáticamente etiquetas
utilizando un método de modelado de temas no paramétrico. Se consideró que las anotaciones
resultantes no eran específicas. Para aumentar la especificidad de la enfermedad, los autores han
emparejado tipos de patología frecuentes utilizando una ontología de enfermedad y semántica. Sin
embargo, este método asignó etiquetas de enfermedades específicas a alrededor del 10% del
conjunto de datos. En ChestX-Ray-8,[ 4 ] utilizó MetaMap [21], DNorm [22] y reglas de negación
personalizadas aplicadas a un analizador sintáctico para etiquetar el presencia o no de 8 entidades,
que se amplió aún más a 14 entidades en 125.000 imágenes (Chest-XRay14), también aplicando
métodos análogos. Ellos validaron el procedimiento de etiquetado de imágenes frente a 3.800
informes anotados de rayos X imágenes de OpenI - Indiana DB- [ 16]