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.

Presenta Sitios para socios Información LinkXpress
Ingresar
Publique su anuncio con nosotros
GLOBETECH PUBLISHING LLC

Deascargar La Aplicación Móvil




IA rivaliza con los radiólogos en la detección de la hemorragia intracraneal

Por el equipo editorial de MedImaging en español
Actualizado el 11 Nov 2019
Print article
Imagen: Examen cerebral típico que un radiólogo ve (I), y una hemorragia subaracnoidea resaltada por PatchFCN (D) (Fotografía cortesía de la UCSF).
Imagen: Examen cerebral típico que un radiólogo ve (I), y una hemorragia subaracnoidea resaltada por PatchFCN (D) (Fotografía cortesía de la UCSF).
Un estudio nuevo muestra que las redes neuronales convolucionales de inteligencia artificial (IA) (RNC) pueden alcanzar niveles de exactitud comparables a los de radiólogos altamente capacitados.

Desarrollado por investigadores de la Universidad de California en San Francisco (UCSF; EUA) y la Universidad de California Berkeley (UCB; EUA), la red totalmente convolucional basada en parches (PatchFCN) funciona dividiendo una tomografía computarizada (TC) en parches más pequeños para mejorar la tasa de detección de las hemorragias intracraneales agudas (HIC) en las tomografías computarizadas de la cabeza. Según los investigadores, la segmentación ofrece muchas ventajas, incluida una mejor interpretación y métricas cuantificables para el pronóstico de la enfermedad. En términos simples, la hemorragia se define así como “cosas” (por ejemplo, agua) en lugar de “cosas” (por ejemplo, un automóvil), debido a su naturaleza fluida.

Desarrollado utilizando 4.396 tomografías computarizadas de la cabeza como modelo de aprendizaje, se comparó el desempeño de PatchFCN con el de cuatro radiólogos certificados por la Junta Americana de Radiología (ABR, por sus siglas en inglés) en un conjunto de pruebas de 200 TC de cabeza seleccionadas al azar. El modelo demostró una exactitud promedio del 99% para detectar hemorragias, la exactitud de clasificación más alta hasta la fecha. Además, PatchFCN proporcionó un rastreo detallado de cada hemorragia, destacando las anomalías directamente en la propia TC, ayudando a los neurocirujanos a confirmar visualmente las ubicaciones de las hemorragias y a juzgar la necesidad y el enfoque para la intervención quirúrgica. El estudio fue publicado el 21 de octubre de 2019 en la revista PNAS.

“Utilizando un enfoque sólido de supervisión a nivel de píxeles y un conjunto de datos de entrenamiento relativamente pequeño, demostramos una red de extremo a extremo que realiza la clasificación y segmentación conjunta. Demuestra la exactitud de clasificación más alta hasta la fecha, en comparación con otros enfoques de aprendizaje profundo, y también localiza simultáneamente estas anormalidades”, concluyó el autor principal, Weicheng Kuo, PhD, de la UCB. “Demostramos que identifica muchas anormalidades pasadas por alto por los expertos. Además, demostramos resultados prometedores para la segmentación de hemorragias multiclase, al tiempo que preservamos la detección exacta a nivel de examen”.

El aprendizaje profundo es parte de una familia más amplia de métodos de aprendizaje automático de IA basados en representaciones de datos de aprendizaje, en oposición a los algoritmos específicos de la tarea. Involucra algoritmos RNC que usan una cascada de muchas capas de unidades de procesamiento no lineales para la extracción, conversión y transformación de características, y cada capa sucesiva utiliza la salida de la capa anterior como entrada para formar una representación jerárquica.

Enlace relacionado:
Universidad de California en San Francisco
Universidad de California Berkeley

Miembro Oro
Solid State Kv/Dose Multi-Sensor
AGMS-DM+
Dose Area Product Meter
VacuDAP
Advanced Cardiac MRI Analysis Software
3Di Cardiac MR
New
Ultrasound Needle Guide
Ultra-Pro II

Print article

Canales

Radiografía

ver canal
Imagen: Saige-DX es un sistema de IA categórico personalizado diseñado para ayudar en la detección del cáncer de mama (Fotografía cortesía de DeepHealth)

IA ayuda a radiólogos generales a lograr un rendimiento de nivel de especialista en interpretación de mamografías

El cáncer de mama, que afecta a una de cada ocho mujeres a lo largo de su vida, se vuelve mucho más tratable cuando se detecta a tiempo. La tasa de supervivencia relativa a cinco años... Más

RM

ver canal
Imagen: Se ha encontrado que 0.55T son suficiente para obtener una imagen de calidad diagnóstica de una resonancia magnética (Fotografía cortesía de 123RF)

Imágenes de resonancia magnética de 0,55 T de campo bajo ofrecen utilidad diagnóstica similar a la de 1,5 T para exploraciones abdominales

La resonancia magnética (RM) es una herramienta vital en el diagnóstico médico, pero el alto costo de los sistemas clínicos de cuerpo entero es una barrera importante.... Más

Medicina Nuclear

ver canal
Imagen: La técnica de imágenes PET puede detectar de manera no invasiva la inflamación activa antes de que surjan síntomas clínicos (Fotografía cortesía de 123RF)

Nuevo trazador PET detecta artritis inflamatoria antes de que aparezcan síntomas

La artritis reumatoide, la forma más común de artritis inflamatoria, afecta a 18 millones de personas en todo el mundo. Es una enfermedad autoinmune compleja caracterizada por inflamación... Más

TI en Imaginología

ver canal
Imagen: La nueva Medical Imaging Suite hace que los datos de imágenes de atención médica sean más accesibles, interoperables y útiles (Fotografía cortesía de Google Cloud)

Nueva suite de imágenes médicas de Google Cloud hace los datos de imágenes médicas más accesibles

Las imágenes médicas son una herramienta fundamental que se utiliza para diagnosticar a los pacientes, y cada año se escanean miles de millones de imágenes médicas en... Más
Copyright © 2000-2024 Globetech Media. All rights reserved.