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
Ampronix,  Inc

Eventos

28 ene 2019 - 01 feb 2019
02 feb 2019 - 07 feb 2019

Un estudio encuentra que la IA se queda corta al momento de analizar datos médicos

Por el equipo editorial de Medimaging en español
Actualizado el 28 Nov 2018
Print article
Imagen: Un estudio nuevo encontró que las herramientas de inteligencia artificial entrenadas para detectar la neumonía en las radiografías de tórax sufrieron disminuciones significativas en el desempeño cuando se ensayaron en datos de sistemas de salud externos (Fotografía cortesía de Shutterstock).
Imagen: Un estudio nuevo encontró que las herramientas de inteligencia artificial entrenadas para detectar la neumonía en las radiografías de tórax sufrieron disminuciones significativas en el desempeño cuando se ensayaron en datos de sistemas de salud externos (Fotografía cortesía de Shutterstock).
Un estudio realizado en la Facultad de Medicina Icahn en Monte Sinaí (Nueva York, NY, EUA) descubrió que las herramientas de inteligencia artificial (IA) entrenadas para detectar neumonía en las radiografías de tórax sufrieron una disminución significativa en el desempeño cuando las ensayaron en datos de sistemas de salud externos. Estos hallazgos sugieren que, a menos que la inteligencia artificial en el espacio médico sea probada cuidadosamente con respecto al desempeño en una amplia gama de poblaciones, los modelos de aprendizaje profundo pueden no funcionar con la exactitud que se espera.

En medio del creciente interés en el uso de marcos de sistemas informáticos denominados redes neuronales convolucionales (RNC) para analizar imágenes médicas y proporcionar un diagnóstico asistido por computadora, los estudios recientes han encontrado que la clasificación de imágenes de IA puede no generalizarse a los nuevos datos como se presenta comúnmente. Los investigadores de la Facultad de Medicina Icahn en Monte Sinaí evaluaron cómo los modelos de IA identificaron la neumonía en 158.000 radiografías de tórax en tres instituciones médicas. Eligieron estudiar el diagnóstico de neumonía en las radiografías de tórax debido a su aparición común, importancia clínica y prevalencia en la comunidad de investigación.

Los investigadores descubrieron que, en tres de cada cinco comparaciones, el desempeño de las RNC en el diagnóstico de enfermedades en los rayos X de hospitales fuera de su propia red, fue significativamente menor en comparación con los rayos X del sistema de salud original. Sin embargo, las RNC pudieron detectar el sistema hospitalario donde se adquirió una radiografía con un alto grado de exactitud e hicieron trampa en su tarea predictiva basada en la prevalencia de neumonía en la institución de capacitación. Los investigadores encontraron que el problema clave en el uso de modelos de aprendizaje profundo en medicina es el uso de una gran cantidad de parámetros, lo que dificulta la identificación de variables específicas que determinan las predicciones, como los tipos de escáneres de tomografía computarizada utilizados en un hospital y la calidad de resolución de las imágenes

“Nuestros hallazgos deberían detener a aquellos que piensan en el despliegue rápido de plataformas de IA sin evaluar rigurosamente su desempeño en entornos clínicos reales que reflejen dónde se implementan”, dijo el autor principal, Eric Oermann, MD, Instructor en Neurocirugía en la Facultad de Medicina Icahn en el Monte Sinaí. “Los modelos de aprendizaje profundo entrenados para realizar diagnósticos médicos pueden generalizarse bien, pero esto no puede darse por sentado ya que las poblaciones de pacientes y las técnicas de imagenología difieren significativamente entre las instituciones”.

“Si los sistemas de RNC se van a usar para el diagnóstico médico, se deben adaptar para considerar cuidadosamente las preguntas clínicas, ser probadas en una variedad de escenarios del mundo real y evaluadas cuidadosamente para determinar cómo afectan el diagnóstico exacto”, dijo el primer autor, John Zech, un estudiante de medicina en la Facultad de Medicina Icahn en Monte Sinaí.

Enlace relacionado:
Monte Sinaí


Print article
Italray

Canales

Medicina Nuclear

ver canal
Imagen: un nuevo estudio sugiere que la WBRT que evita el hipocampo puede preservar la función cognitiva (Fotografía cortesía de Getty Images).

Una técnica nueva de radioterapia cerebral total reduce el riesgo de deterioro neurocognitivo

Según un estudio nuevo, los efectos cognitivos adversos de la radioterapia cerebral total (WBRT, por sus siglas en inglés) se pueden mitigar de manera significativa mediante el uso de una técnica de preservación... Más

Imaginología General

ver canal
Imagen: Un examen PET/TC de cuerpo completo en el escáner Explorer (Fotografía cortesía de UCD).

Un escáner de cuerpo entero revela las primeras imágenes de humanos

Un tomógrafo novedoso de tomografía por emisión de positrones (TEP) y tomografía computarizada por rayos X (TC) puede obtener imágenes de todo el cuerpo en tan solo un segundo. El escáner Explorer,... Más

TI en Imaginología

ver canal
Imagen: Un simple portal para pacientes almacena imágenes e informes (Fotografía cortesía de Intelerad).

Un portal centrado en los pacientes facilita el acceso a la imagenología directa

Un portal nuevo de imagenología brinda a los pacientes acceso directo a su historial de exámenes, imágenes e informes en cualquier momento y en cualquier lugar. La plataforma de imágenes en la nube... Más
Copyright © 2000-2018 Globetech Media. All rights reserved.