Tomografía. 30 de octubre de 2025; 11 (11): 121. doi: 10.3390/tomografía11110121.
Antecedentes: El neumotórax (PTX) requiere un reconocimiento rápido en emergencias y cuidados intensivos. La ecografía pulmonar (LUS) ofrece una alternativa rápida y sin radiación a la tomografía computarizada (TC), pero su precisión está limitada por la dependencia del operador. La inteligencia artificial (IA) puede estandarizar la interpretación y mejorar el rendimiento. Métodos: Este estudio retrospectivo unicéntrico incluyó a 46 pacientes (23 con PTX confirmado por TC y 23 controles). Se extrajeron sesenta fotogramas en modo B y modo M por paciente utilizando un dispositivo inalámbrico Clarius C3 HD3, lo que produjo 2760 imágenes. La TC sirvió como referencia diagnóstica. Los estudios experimentales se llevaron a cabo en el marco de tres escenarios. Los modelos basados en transformadores, Vision Transformer (ViT) y DINOv2, se entrenaron y probaron en dos escenarios: división aleatoria de cuadros y división a nivel de paciente. Además, se entrenaron clasificadores de Random Forest (RF) y eXtreme Gradient Boosting (XGBoost) en los mapas de características extraídos mediante Video Vision Transformer (ViViT) para secuencias de video de ultrasonido en el Escenario 3. El rendimiento del modelo se evaluó utilizando precisión, sensibilidad, especificidad, puntuación F1 y área bajo la curva ROC (AUC). Resultados: Ambos transformadores lograron una alta precisión de diagnóstico, con imágenes en modo B superando a las entradas en modo M en los dos primeros escenarios. En el escenario 1, ViT alcanzó una precisión del 99,1 %, mientras que DINOv2 alcanzó el 97,3 %. En el Escenario 2, que evitó la fuga de datos, DINOv2 tuvo un mejor desempeño en la región del modo B (90% de precisión, 80% de sensibilidad, 100% de especificidad, puntuación F1 de 88,9%). El análisis ROC confirmó una fuerte capacidad discriminativa, con valores de AUC de 0,973 para DINOv2 y 0,964 para ViT en imágenes en modo B. Además, los clasificadores RF y XGBoost entrenados en los mapas de características de ViViT alcanzaron una precisión del 90% en las secuencias de video. Conclusiones: El LUS asistido por IA mejora sustancialmente la detección de PTX, y los transformadores, en particular DINOv2, logran una precisión casi experta. Se requieren conjuntos de datos multicéntricos más grandes para la validación y la integración clínica.
PubMed:41295555 | DOI:10.3390/tomografía11110121