Mapa abdominal impulsado por IA permite la detección temprana del cáncer

Los radiólogos recurren cada vez más a modelos de visión artificial basados en inteligencia artificial (IA) para ayudar con la laboriosa tarea de analizar exploraciones médicas. Sin embargo, estos modelos requieren conjuntos de datos amplios y meticulosamente etiquetados para generar resultados confiables y precisos, lo que significa que los radiólogos aún deben dedicar una cantidad considerable de tiempo a la anotación de imágenes médicas. Para abordar este desafío, los investigadores han aprovechado la IA para crear el conjunto de datos más extenso y completo de órganos abdominales hasta la fecha, diseñado para ayudar a los radiólogos a identificar tumores y otras afecciones médicas de manera rápida y precisa.

Un equipo de investigadores de todo el mundo, dirigido por la Universidad Johns Hopkins (Baltimore, MD, EUA), ha desarrollado AbdomenAtlas, el conjunto de datos de tomografía computarizada (TC) abdominal más grande disponible, con más de 45,000 exploraciones 3D de TC que representan 142 estructuras anatómicas anotadas. Estas exploraciones se obtuvieron de 145 hospitales de todo el mundo, lo que hace que AbdomenAtlas sea más de 36 veces más grande que el competidor más cercano, TotalSegmentator V2.

El conjunto de datos y sus aplicaciones se presentaron en una edición reciente de Medical Image Analysis. Anteriormente, los conjuntos de datos de órganos abdominales fueron compilados por radiólogos que identificaban y etiquetaban manualmente cada órgano en las tomografías, un proceso laborioso que requería miles de horas de trabajo humano. Los investigadores aceleraron este proceso de anotación aprovechando algoritmos de IA. Con la ayuda de 12 radiólogos expertos y médicos en formación adicionales, completaron en menos de dos años una tarea que habría llevado a los anotadores humanos más de dos milenios.

El método desarrollado por los investigadores combina tres modelos de IA entrenados con conjuntos de datos públicos de tomografías abdominales etiquetadas para predecir anotaciones en exploraciones previamente no etiquetadas. Luego, la IA genera mapas de atención codificados por colores que resaltan las áreas que necesitan refinamiento, permitiendo a los radiólogos centrar su revisión en las secciones más críticas de las predicciones del modelo. Este proceso iterativo (predicción de IA seguida de validación humana) acelera enormemente el flujo de trabajo de anotación, logrando una velocidad 10 veces mayor en la identificación de tumores y 500 veces mayor en la anotación de órganos, según los investigadores.

Este proceso no solo aumenta el alcance, la escala y la precisión del conjunto de datos, sino que también evita sobrecargar a los radiólogos involucrados. El resultado es lo que el equipo describe como el conjunto de datos de órganos abdominales completamente anotados más grande disponible. Además, los investigadores continúan expandiendo el conjunto de datos al agregar más exploraciones, órganos y tumores tanto reales como artificiales, mejorando aún más el entrenamiento de los modelos de IA para identificar el cáncer, diagnosticar enfermedades e incluso crear gemelos digitales de pacientes de la vida real.

AbdomenAtlas también proporciona un valioso punto de referencia que permite a otros grupos de investigación evaluar la precisión de sus algoritmos de segmentación médica. Según el equipo de Hopkins, cuanto más completo sea el conjunto de datos utilizado para evaluar estos algoritmos, más confiables y efectivos serán los modelos en escenarios clínicos complejos. Los investigadores planean hacer que AbdomenAtlas esté disponible públicamente y están introduciendo nuevos desafíos de segmentación médica para fomentar el desarrollo de algoritmos de IA que no solo sean teóricamente sólidos, sino también prácticos, eficientes y confiables en entornos clínicos. A pesar de los avances que representa AbdomenAtlas, sus creadores destacan que solo abarca el 0.05 % de las tomografías computarizadas adquiridas anualmente en Estados Unidos, por lo que están haciendo un llamado a otras instituciones para ayudar a expandir este recurso crucial.

"La colaboración entre instituciones es crucial para acelerar el intercambio de datos, la anotación y el desarrollo de la IA", escribieron los investigadores. "Esperamos que nuestro AbdomenAtlas pueda sentar las bases para ensayos clínicos a mayor escala y ofrecer oportunidades excepcionales a los profesionales de la comunidad de imágenes médicas".

Visitar la expo >

New

Biopsy Software

Affirm® Contrast

Ultra-Flat DR Detector

meX+1717SCC

Ultrasound-Guided Biopsy & Visualization Tools

Endoscopic Ultrasound (EUS) Guided Devices

Digital Radiographic System

OMNERA 300M