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 hp
Ingresar
Publique su anuncio con nosotros
GLOBETECH PUBLISHING LLC

Deascargar La Aplicación Móvil




Imágenes médicas reconstruidas con IA pueden no ser confiables

Por el equipo editorial de MedImaging en español
Actualizado el 15 Jun 2020
Imagen: Imágenes con pequeñas perturbaciones estructurales (texto y símbolos) reconstruidas con IA (Fotografía cortesía de PNAS)
Imagen: Imágenes con pequeñas perturbaciones estructurales (texto y símbolos) reconstruidas con IA (Fotografía cortesía de PNAS)
Un estudio nuevo sugiere que las herramientas de aprendizaje profundo utilizadas para crear imágenes de alta calidad a partir de tiempos de escaneo cortos producen múltiples alteraciones y artefactos en los datos que podrían afectar el diagnóstico.

Investigadores de la Universidad de Oslo (Noruega), la Universidad de Cambridge (Reino Unido) y otras instituciones, realizaron un estudio para evaluar seis redes neuronales diferentes de inteligencia artificial (IA) entrenadas para crear imágenes mejoradas a partir de exámenes de resonancia magnética (RM) o de tomografía computarizada (TC). Las redes se alimentaron de datos diseñados para replicar tres posibles problemas: pequeñas perturbaciones; pequeños cambios estructurales; y cambios en la frecuencia de muestreo en comparación con los datos sobre los que se entrenó la IA. Para probar la capacidad de los sistemas de detectar pequeños cambios estructurales, el equipo agregó letras y símbolos de cartas de juego a las imágenes.

Los resultados mostraron que solo una de las redes pudo reconstruir estos detalles, pero las otras cinco presentaron problemas que iban desde la borrosidad hasta la eliminación casi completa de los cambios. Solo una de las redes neuronales produjo mejores imágenes a medida que los investigadores aumentaron la frecuencia de muestreo de los escaneos. Otra red se estancó, sin mejoras en la calidad; y en tres, las reconstrucciones disminuyeron en calidad a medida que aumentó el número de muestras. El sexto sistema de IA no permitió cambiar la frecuencia de muestreo. El estudio fue publicado el 11 de mayo de 2020, en la revista Proceedings of the National Academy of Sciences (PNAS).

“Te molestas un poco y el sistema de IA dice que la imagen del gato es de repente un camión de bomberos. Los investigadores deben comenzar a probar la estabilidad de estos sistemas. Lo que verán a gran escala es que muchos de estos sistemas de IA son inestables”, dijo el autor principal, Anders Hansen, PhD, de la Universidad de Cambridge. “El gran problema es que no existe una comprensión matemática de cómo funcionan estos sistemas de IA. Se convierten en una caja negra, y si no se prueban estas cosas correctamente, puede tener resultados completamente desastrosos”.

Las inestabilidades durante el escaneo pueden aparecer como ciertas perturbaciones pequeñas, casi indetectables (por ejemplo, debido al movimiento del paciente, que aparecen tanto en la imagen como en el dominio de muestreo, lo que resulta en artefactos en la reconstrucción; como pequeños cambios estructurales, por ejemplo, un tumor, que puede no ser capturado en la imagen reconstruida y diferentes tasas de muestreo que no coinciden con los datos con los que se entrenó el algoritmo de IA.

Enlace relacionado:
Universidad de Oslo
Universidad de Cambridge

New
Mammography System (Analog)
MAM VENUS
X-Ray Illuminator
X-Ray Viewbox Illuminators
Portable Color Doppler Ultrasound Scanner
DCU10
X-ray Diagnostic System
FDX Visionary-A

Canales

RM

ver canal
Imagen: una resonancia magnética cardíaca con contraste de un paciente con miocardiopatía hipertrófica considerado por MAARS con alto riesgo de muerte súbita (foto cortesía de la Universidad Johns Hopkins)

Modelo de IA supera a los médicos en la identificación de pacientes con mayor riesgo de paro cardíaco

La miocardiopatía hipertrófica es una de las cardiopatías hereditarias más comunes y una de las principales causas de muerte súbita cardíaca en jóvenes y deportistas.... Más

Ultrasonido

ver canal
Imagen: el nuevo dispositivo implantable para el tratamiento del dolor crónico es pequeño y flexible (foto cortesía de The Zhou Lab at USC)

Dispositivo inalámbrico para el manejo del dolor crónico reduce la necesidad de analgésicos y cirugía

El dolor crónico afecta a millones de personas en todo el mundo, lo que a menudo provoca discapacidad a largo plazo y dependencia de opioides, los cuales conllevan riesgos importantes de efectos... Más

Medicina Nuclear

ver canal
Imagen: la herramienta de diagnóstico podría mejorar las decisiones de diagnóstico y tratamiento para pacientes con infecciones pulmonares crónicas (foto cortesía de SNMMI)

Nueva técnica de PET específica para bacterias detecta infecciones pulmonares difíciles de diagnosticar

Mycobacteroides abscessus es una micobacteria de rápido crecimiento que afecta principalmente a pacientes inmunodeprimidos y a personas con enfermedades pulmonares preexistentes, como fibrosis... 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 © 2000-2025 Globetech Media. All rights reserved.