Modelo de IA mejora las capacidades de la tomografía computarizada de baja dosis

El cáncer de pulmón sigue siendo una de las enfermedades más difíciles de abordar, lo que hace que el diagnóstico temprano sea fundamental para un tratamiento eficaz. Afortunadamente, los avances en inteligencia artificial (IA) están revolucionando el cribado del cáncer de pulmón, mejorando tanto su precisión como su eficiencia. Si bien los métodos de cribado actuales, como la tomografía computarizada de baja dosis (TCBD), ayudan a confirmar la presencia de cáncer de pulmón, a menudo se ven limitados por altas tasas de falsos positivos y una gran variabilidad en la identificación de hallazgos incidentales pero clínicamente importantes, incluidos aquellos relacionados con enfermedades cardiovasculares. Además, la tasa global de detección con TCBD se mantiene por debajo del 10 %, en parte debido a la escasez de radiólogos. Ahora, un nuevo estudio ha presentado un modelo de base multimodal y multitarea que mejora sustancialmente la eficacia de la TCBD en la detección del cáncer de pulmón.

Este innovador modelo de IA, desarrollado y probado por un equipo del Instituto Politécnico Rensselaer (RPI; Troy, NY, EUA) en colaboración con otros investigadores, mejora la predicción del riesgo de cáncer de pulmón en un 20 % y la predicción del riesgo cardiovascular en un 10 %. Es el primer modelo que aborda más de una docena de tareas relacionadas simultáneamente, incorporando datos de varias fuentes, como imágenes de TC, informes radiológicos, factores de riesgo de pacientes y otros hallazgos clínicos. El estudio, publicado en Nature Communications, destaca el potencial significativo de este modelo en entornos clínicos. Al integrar imágenes de TC con datos textuales, este modelo mejora en gran medida la precisión de la detección y predicción del cáncer de pulmón, lo cual es crucial para mejorar los resultados del paciente. Una de las principales ventajas de utilizar modelos fundacionales en medicina es su capacidad para mejorar el rendimiento en tareas relacionadas cuando se entrenan con grandes conjuntos de datos, como los de cribado por TC. Por ejemplo, este modelo se muestra prometedor en el avance del rendimiento en oncología, un campo donde los datos específicos de tareas particulares suelen ser escasos.

“Este trabajo se ha acelerado significativamente gracias a las instalaciones de computación de alto rendimiento del RPI”, afirmó Chuang Niu, Ph.D., científico investigador en RPI y autor principal del estudio. “Actualmente, nuestro equipo multiinstitucional está ampliando aún más las capacidades de nuestro modelo fundacional utilizando un volumen creciente de datos multimodales, empleando tanto nuestras propias GPU como las instalaciones de computación de alto rendimiento Empire AI del estado de Nueva York. La colaboración entre instituciones líderes subraya la creciente sinergia entre la inteligencia artificial y la investigación médica, con el potencial de revolucionar la detección y el tratamiento de las enfermedades”.

Enlaces relacionados:
Instituto Politécnico Rensselaer  

Visitar la expo >

Diagnostic Ultrasound System

DC-80A

Post-Processing Imaging System

DynaCAD Prostate

Ultrasound-Guided Biopsy & Visualization Tools

Endoscopic Ultrasound (EUS) Guided Devices

X-ray Diagnostic System

FDX Visionary-A