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

14 mar 2019 - 17 mar 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
Radcal
Italray

Canales

Radiografía

ver canal
Imagen: Las pruebas de aisladores cristalinos pueden medir los niveles de radiación de fondo (Fotografía cortesía de la Universidad Estatal de Carolina del Norte).

Unas pruebas cristalinas evalúan rápidamente la exposición a la radiación

Un estudio nuevo afirma que el análisis de los aisladores cristalinos que se encuentran en la mayoría de los dispositivos electrónicos modernos, podría facilitar la dosimetría de respuesta de emergencia... Más

Ultrasonido

ver canal
Imagen: El aprendizaje profundo y la inteligencia artificial (AI) transforman los exámenes de ultrasonido obstétrico en una experiencia más fácil, más rápida, más consistente y mucho más exacta (Fotografía cortesía de SonoScape).

Una tecnología con IA automatiza el flujo de trabajo del ultrasonido obstétrico

El algoritmo S-fetus de SonoScape Medical (Shenzhen, China), diseñado para el sistema de ultrasonido S60, ha sido diseñado para simplificar un procedimiento de ultrasonido obstétrico estándar reduciéndolo... Más

Medicina Nuclear

ver canal
Imagen: La plataforma de radiocirugía giroscópica ZAP-X (Fotografía cortesía de ZAP Surgical Systems).

Una plataforma de radiocirugía giroscópica hace la ablación de tumores de cerebro

Una plataforma nueva de radioterapia (RT) administra radiocirugía estereotáctica de dosis altas (SRS) para extirpar de forma no invasiva los tumores cerebrales y otras afecciones intracraneales seleccionadas.... Más

Imaginología General

ver canal
Imagen: El nuevo sistema de resonancia magnética, Magnetom Lumina 3T (Fotografía cortesía de Siemens Healthineers).

Un escáner de resonancia magnética de gran apertura mejora la satisfacción de los pacientes.

Un dispositivo innovador de imágenes de resonancia magnética (RM) utiliza una tecnología centrada en el paciente para simplificar y acortar los flujos de trabajo y aumentar la productividad, la reproducibilidad... Más

TI en Imaginología

ver canal
Imagen: El software empresarial uPath proporciona mejores herramientas de patología digital (Fotografía cortesía de Roche).

Un software de patología digital mejora la eficiencia del flujo de trabajo

Una plataforma de software novedosa reduce drásticamente los tiempos de generación de imágenes, integra el análisis automatizado de imágenes y permite un mejor intercambio de casos entre patólogos.... Más
Copyright © 2000-2019 Globetech Media. All rights reserved.