Utilizamos cookies para comprender de qué manera utiliza nuestro sitio y para mejorar su experiencia. Esto incluye personalizar el contenido y la publicidad. Para más información, Haga clic. Si continua usando nuestro sitio, consideraremos que acepta que utilicemos cookies. Política de cookies.
Please note that the MedImaging website is also available in a complete English version
Presenta Sitios para socios Información LinkXpress
Ingresar
Publique su anuncio con nosotros
Ampronix,  Inc

Download Mobile App




La inteligencia artificial acelera el análisis de los rayos X de tórax

Por el equipo editorial de Medimaging en español
Actualizado el 12 Feb 2019
Print article
Imagen: Un estudio nuevo afirma que la IA puede ayudar a priorizar las radiografías de tórax (Fotografía cortesía de Shutterstock).
Imagen: Un estudio nuevo afirma que la IA puede ayudar a priorizar las radiografías de tórax (Fotografía cortesía de Shutterstock).
Afirma un nuevo estudio: un sistema nuevo de inteligencia artificial (IA) puede reducir drásticamente el tiempo necesario para recibir la opinión de un radiólogo experto al respecto de radiografías de tórax anormales con hallazgos críticos.

Desarrollado por investigadores del King's College de Londres (KCL; Reino Unido), la Universidad de Warwick (Coventry, Reino Unido) y otras instituciones, el sistema de IA fue desarrollado utilizando 470.388 radiografías de tórax institucionales de adultos, totalmente anónimas, adquiridas entre 2007 y 2017. Los informes radiológicos adjuntos se preprocesaron utilizando un sistema de procesamiento de lenguaje natural interno (NLP) que modela el lenguaje radiológico, que analizó los informes de texto libre para priorizar cada radiografía como crítica, urgente, no urgente o normal.

Luego se formó un conjunto de dos redes neuronales convolucionales profundas (CNN, por sus siglas en inglés) para predecir la prioridad clínica de las apariencias radiológicas solamente. El desempeño del sistema en la priorización de radiografías se ensayó en una simulación utilizando un conjunto independiente de 15.887 radiografías. El desempeño de la predicción se evaluó con el área bajo la curva de características operativas del receptor, determinando adicionalmente la sensibilidad, especificidad, valor predictivo positivo (VPP) y valor predictivo negativo (VPN), con la intención de automatizar las radiografías de tórax de adultos en tiempo real basadas en la apariencia de las imágenes.

Los resultados revelaron que las radiografías de tórax normales (utilizadas para diagnosticar y monitorizar una amplia gama de afecciones que afectan los pulmones, el corazón, los huesos y los tejidos blandos) fueron detectadas por el sistema de IA con una sensibilidad del 71%, una especificidad del 95%, un VPP de 73%, y un VPN del 94%. La demora promedio en el reporte de los algoritmos se redujo de 11,2 a solo 2,7 días para los hallazgos críticos de imágenes, y de 7,6 a 4,1 días para los hallazgos de imágenes urgentes, en comparación con los datos históricos. El estudio fue publicado el 19 de enero de 2019 en la revista Radiology.

“Las crecientes demandas clínicas en los departamentos de radiología de todo el mundo han desafiado los modelos actuales de prestación de servicios. Ya no es posible que muchos departamentos de radiología con su personal actual informen todas las radiografías simples adquiridas de manera oportuna, lo que lleva a grandes atrasos de estudios no informados”, dijo el autor principal, el profesor Giovanni Montana, MD, de la Universidad de Warwick. “En el Reino Unido, se estima que, en cualquier momento, hay más de 300.000 radiografías que esperan el reporte por más de 30 días. Se podrían utilizar modelos alternativos de atención, como los algoritmos de visión artificial, para reducir en gran medida los retrasos en el proceso de identificación y la actuación de radiografías anormales, en particular para las radiografías de tórax”.

Las CNN utilizan una cascada de muchas capas de unidades de procesamiento no lineales para imágenes u otra extracción y transformación de características de datos, con cada capa sucesiva utilizando la salida de la capa anterior como entrada para formar una representación jerárquica.

Enlace relacionado:
King's College de Londres
Universidad de Warwick



Print article

Canales

Radiografía

ver canal
Imagen: Un estudio nuevo sugiere que proteger a los pacientes durante las radiografías de diagnóstico podría ser contraproducente (Fotografía cortesía de Rebecca Milman Marsh / Shutterstock).

Un nuevo estudio cuestiona los beneficios de proteger a los pacientes durante los exámenes de radiografía

Un estudio nuevo afirma que proteger a los pacientes durante las radiografías de diagnóstico proporciona beneficios insignificantes y aumenta los riesgos. Un estudio escrito por investigadores de la... Más

TI en Imaginología

ver canal
Imagen: El software empresarial uPath proporciona mejores herramientas de patología digital (Fotografía cortesía de Roche).

Un software de patología digital mejora la eficiencia del flujo de trabajo

Una plataforma de software novedosa reduce drásticamente los tiempos de generación de imágenes, integra el análisis automatizado de imágenes y permite un mejor intercambio de casos entre patólogos.... Más

Industria

ver canal
Imagen: Se espera que un método nuevo de inteligencia artificial, para detectar el cáncer de mama, supere los métodos existentes que no cumplen con sus predicciones (Fotografía cortesía del MIT).

Método nuevo de IA predice el cáncer de mama con cinco años de antelación

Investigadores de dos instituciones importantes han desarrollado una herramienta nueva con métodos avanzados de inteligencia artificial (IA) para predecir el riesgo futuro de cáncer de mama en una mujer.... Más
Copyright © 2000-2019 Globetech Media. All rights reserved.