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
Parker Laboratories

Deascargar La Aplicación Móvil




Eventos

ATENCIÓN: Debido a la EPIDEMIA DE CORONAVIRUS, ciertos eventos están siendo reprogramados para una fecha posterior o cancelados por completo. Verifique con el organizador del evento o el sitio web antes de planificar cualquier evento próximo.
30 ene 2023 - 02 feb 2023

Algoritmo de IA identifica cáncer de pulmón en imágenes de TC en segundos

Por el equipo editorial de MedImaging en español
Actualizado el 29 Aug 2022
Print article
Imagen: Algoritmo de aprendizaje profundo puede mejorar el tratamiento de radioterapia para el cáncer de pulmón (Fotografía cortesía de Pexels)
Imagen: Algoritmo de aprendizaje profundo puede mejorar el tratamiento de radioterapia para el cáncer de pulmón (Fotografía cortesía de Pexels)

El cáncer de pulmón, el cáncer más común en todo el mundo, se trata con radioterapia (RT) en casi la mitad de los casos. La planificación de la RT es un proceso manual que requiere muchos recursos y que puede tardar días o semanas en completarse, e incluso los médicos altamente capacitados varían en sus determinaciones de cuánto tejido atacar con radiación. Además, se espera que aumente la escasez de médicos y clínicas de oncología radioterápica en todo el mundo a medida que aumenten las tasas de cáncer. Ahora, un algoritmo de aprendizaje profundo recientemente desarrollado y validado puede identificar y delinear (segmentar) un tumor de cáncer de pulmón de células no pequeñas (CPCNP) en una tomografía computarizada (TC) en segundos. Además, los oncólogos radioterápicos que usaron el algoritmo en clínicas simuladas se desempeñaron tan bien como los médicos que no usaron el algoritmo, mientras trabajaron un 65 % más rápido.

Investigadores del Hospital Brigham and Women's (Boston, MA, EUA) desarrollaron el algoritmo de aprendizaje profundo usando imágenes de TC de 787 pacientes para entrenar su modelo para distinguir tumores de otros tejidos. Probaron el rendimiento del algoritmo utilizando escaneos de más de 1.300 pacientes de conjuntos de datos cada vez más externos. El desarrollo y la validación del algoritmo implicó una estrecha colaboración entre los científicos de datos y los oncólogos radioterápicos. Por ejemplo, cuando los investigadores observaron que el algoritmo estaba segmentando incorrectamente las tomografías computarizadas que involucraban los ganglios linfáticos, volvieron a entrenar el modelo con más de estas exploraciones para mejorar su rendimiento.

Finalmente, los investigadores pidieron a ocho oncólogos de radiación que realizaran tareas de segmentación, así como que calificaran y editaran las segmentaciones producidas por otro médico experto o por el algoritmo (no se les dijo cuál). No hubo una diferencia significativa en el rendimiento entre las colaboraciones humano-IA y las segmentaciones producidas por humanos (de novo). Curiosamente, los médicos trabajaron un 65 % más rápido y con un 32 % menos de variación al editar una segmentación producida por IA en comparación con una producida manualmente, aunque no sabían cuál estaban editando. También calificaron la calidad de las segmentaciones dibujadas por IA más alto que las segmentaciones dibujadas por expertos humanos en este estudio ciego.

En el futuro, los investigadores planean combinar este trabajo con modelos de IA que diseñaron previamente que pueden identificar "órganos en riesgo" de recibir radiación no deseada durante el tratamiento del cáncer (como el corazón) y, por lo tanto, excluirlos de la radioterapia. Continúan estudiando cómo los médicos interactúan con la IA para garantizar que las asociaciones con IA ayuden, en lugar de dañar, la práctica clínica, y están desarrollando un segundo algoritmo de segmentación independiente que puede verificar tanto las segmentaciones humanas como las dibujadas por IA.

"La mayor brecha de traducción en las aplicaciones de IA a la medicina es la falta de estudio sobre cómo usar la IA para mejorar a los médicos humanos, y viceversa", dijo el autor correspondiente Raymond Mak, MD, del Departamento de Oncología Radioterápica de Brigham. “Estamos estudiando cómo hacer asociaciones y colaboraciones entre humanos e IA que tengan como efecto mejores resultados para los pacientes. Los beneficios de este enfoque para los pacientes incluyen una mayor consistencia en la segmentación de los tumores y tiempos acelerados de tratamiento. Los beneficios para los médicos incluyen una reducción del trabajo informático mundano pero difícil, lo que puede reducir el agotamiento y aumentar el tiempo que pueden pasar con los pacientes”.

“Este estudio presenta una estrategia de evaluación novedosa para modelos de IA que enfatiza la importancia de la colaboración humano-IA”, agregó el coautor Hugo Aerts, PhD, del Departamento de Oncología Radioterápica. “Esto es especialmente necesario porque las evaluaciones in silico (modeladas por computadora) pueden dar resultados diferentes a las evaluaciones clínicas. Nuestro enfoque puede ayudar a allanar el camino hacia el despliegue clínico".

 

Proveedor de oro
Ultrasound Transducer/Probe Cleaner
Transeptic Cleaning Solution
New
Protection Barrier
Ceiling Mounted Protection Shield
New
Fixed X-Ray System
PerfoX 3000 Eco
New
Electric DR Bed
Leenray Electric Bed DR

Print article
CIRS -  MIRION
Radcal

Canales

Radiografía

ver canal
Imagen: Modelo de aprendizaje profundo detecta riesgo de ECV utilizando imágenes de rayos X de tórax (Fotografía cortesía del Hospital General de Massachusetts)

IA predice riesgo de enfermedades cardíacas utilizando una sola radiografía

Las guías actuales recomiendan estimar el riesgo a 10 años de eventos cardiovasculares adversos mayores para establecer quién debe recibir una estatina para la prevención primaria.... Más

RM

ver canal
Imagen: Ejemplos de imágenes de RM aislando el campo de visión para enfocarse en recopilar datos de la parte del cuerpo que se examina (Fotografía cortesía de la Facultad de Medicina de la Universidad de Colorado)

Nueva tecnología diseñada para aumentar velocidades de resonancia magnética podría conducir a exploraciones más rápidas

Las matemáticas y la ingeniería complejas están involucradas en la generación de imágenes de órganos y tejidos internos cuando los pacientes ingresan al tubo ... Más

Ultrasonido

ver canal
Imagen: Una combinación de ultrasonido y nanoburbujas permite que los tumores cancerosos sean destruidos sin cirugía (Fotografía cortesía de la Universidad de Tel Aviv)

Ultrasonido combinado con nanoburbujas permite eliminar tumores sin cirugía

El método predominante de tratamiento del cáncer es la extirpación quirúrgica del tumor, en combinación con tratamientos complementarios como la quimioterapia y la inmunoterapia.... Más

Medicina Nuclear

ver canal
Imagen: El PET/CT digital de ultra alta resolución uEXPLORER ofrece escaneo dinámico de cuerpo completo (Fotografía cortesía de UIH)

Primer PET/CT de cuerpo completo del mundo permite escanear todo el cuerpo en una posición de cama

United Imaging Healthcare (UIH, Shanghái, China) presentó el primer PET/CT de cuerpo completo del mundo, uEXPLORER, con un campo de visión (FOV) axial de PET de 194 cm que permite... 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 © 2000-2022 Globetech Media. All rights reserved.