Optimización de los procesos de triaje en servicios de urgencias mediante transformadores de visión sobre radiografías de tórax

Abstract

[ES] La sencillez de adquisición de las radiografías simples de tórax, así como su gran utilidad en la detección de diversas patologías, las convierten en una de las pruebas más solicitadas en los servicios de urgencias hospitalarias. Sin embargo, la alta demanda de los servicios radiológicos hace inviable que todas ellas puedan ser revisadas e informadas a tiempo, reduciendo así la calidad de la atención al paciente.

En respuesta a esta problemática, este trabajo propone el desarrollo de una herramienta de apoyo al radiodiagnóstico, basada en redes neuronales, para optimizar los procesos de triaje y priorización de los pacientes más urgentes. Para desarrollar esta herramienta, se entrena y analiza la precisión de un conjunto de transformadores de visión, unos nuevos modelos de red neuronal originalmente utilizados en tareas de procesamiento de lenguaje natural capaces de superar las prestaciones de las redes convolucionales clásicas. En el trabajo, se describen las técnicas empleadas para i) el entrenamiento de los modelos; ii) la transferencia de aprendizaje mediante modelos preentrenados; iii) el uso del paradigma profesor-estudiante; iv) el aumento de datos realizado para mejorar la generalización; y v) la optimización de hiperparámetros. El entrenamiento de los modelos se ha llevado a cabo utilizando las bases de datos PadChest y ChestX-ray14, previamente analizadas y procesadas para entrenar los transformadores de visión mediante un nuevo sistema de agrupación por zonas patológicas y nivel de urgencia. Los resultados obtenidos sobre los datos de validación superan el 90% de AUC, mejorando así la precisión de las redes convolucionales, tradicionalmente empleadas en tareas de visión por computador.

The simplicity of acquisition of plain chest X-rays, as well as their great usefulness in the detection of various pathologies, make them one of the most requested tests in the the detection of various pathologies, make them one of the most requested tests in hospital emergency departments. hospital emergency departments. However, the high demand of the radiological services makes it unfeasible for all of them to be reviewed and reported in time, thus reducing the quality of patient care. quality of patient care. In response to this problem, this work proposes the development of a tool to support radiodiagnostic support tool for radiodiagnosis, based on neural networks, to optimize the processes of triage and prioritization of the most urgent patients. and prioritization of the most urgent patients. In order to develop this tool, we train and The accuracy of a set of vision transformers, new neural network models originally used in processing originally used in natural language processing tasks capable of outperforming convolutional networks. outperform classical convolutional networks. In the paper, we describe the (i) training of the models; (ii) transfer of learning using pre-trained models; and (iii) transfer of learning using pre-trained models. (iii) the use of the teacher-student paradigm; (iv) the data augmentation carried out to improve the generalization of the models. (iv) data augmentation to improve generalization; and (v) hyperparameter optimization. The training of the models has been carried out using the PadChest and ChestX-ray14 databases, previously analyzed and processed to train the vision transformers using a new clustering system by pathological zones and level of urgency. The results obtained on the validation data exceed 90% AUC, thus improving the accuracy of the convolutional the accuracy of convolutional networks, traditionally used in computer vision tasks.