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
Radcal IBA  Group

Deascargar La Aplicación Móvil




La IA predice la enfermedad de Alzheimer años antes del diagnóstico

Por el equipo editorial de MedImaging en español
Actualizado el 05 Dec 2018
Imagen: Mapa de la relevancia del modelo de aprendizaje profundo, Inceptin V3, con respecto a la clasificación de la enfermedad de Alzheimer. (a) Un mapa representativo de relevancia con recubrimiento anatómico en un hombre de 77 años. (b) El mapa de relevancia promedio en el 10 por ciento del conjunto de la Iniciativa de Neuroimagenología de la enfermedad de Alzheimer (c) Mapa de relevancia promedio en un conjunto de prueba independiente. Cuanto más cerca esté el color de un píxel del extremo “Alto” de la barra de color de la imagen, más influencia tendrá para la predicción de la enfermedad de Alzheimer (Fotografía cortesía de UCSF).
Imagen: Mapa de la relevancia del modelo de aprendizaje profundo, Inceptin V3, con respecto a la clasificación de la enfermedad de Alzheimer. (a) Un mapa representativo de relevancia con recubrimiento anatómico en un hombre de 77 años. (b) El mapa de relevancia promedio en el 10 por ciento del conjunto de la Iniciativa de Neuroimagenología de la enfermedad de Alzheimer (c) Mapa de relevancia promedio en un conjunto de prueba independiente. Cuanto más cerca esté el color de un píxel del extremo “Alto” de la barra de color de la imagen, más influencia tendrá para la predicción de la enfermedad de Alzheimer (Fotografía cortesía de UCSF).
Un estudio nuevo sobre la aplicación del aprendizaje profundo (AP) para detectar cambios en el metabolismo cerebral predictivo de la enfermedad de Alzheimer (EA) descubrió que la inteligencia artificial (IA) mejora la capacidad de las imágenes cerebrales para predecir esta enfermedad.

El diagnóstico oportuno de la EA es extremadamente importante, aunque el diagnóstico temprano ha demostrado ser un reto. La investigación ha relacionado el proceso de la enfermedad con los cambios en el metabolismo, como lo demuestra la captación de glucosa en ciertas regiones del cerebro, aunque estos cambios pueden ser difíciles de reconocer.

Los investigadores adiestraron el algoritmo de AP utilizando un examen con 18-F-fluorodeoxiglucosa PET (FDG-PET). Tuvieron acceso a los datos de la Iniciativa de Neuroimagenología de la enfermedad de Alzheimer (ADNI), un importante estudio en varios sitios que se centró en ensayos clínicos para mejorar la prevención y el tratamiento de la enfermedad. El conjunto de datos de ADNI incluyó más de 2.100 imágenes cerebrales de FDG-PET de 1.002 pacientes. Los investigadores entrenaron el algoritmo de AP en el 90% del conjunto de datos y luego lo ensayaron en el 10% restante del conjunto de datos. Finalmente, los investigadores ensayaron el algoritmo en un conjunto independiente de 40 exámenes de imagenología de 40 pacientes que nunca habían estudiado. El algoritmo logró una sensibilidad del 100% para la detección de la enfermedad con un promedio de más de seis años antes del diagnóstico final.

Según los investigadores, el algoritmo podría ser una herramienta útil para complementar el trabajo de los radiólogos, especialmente en conjunto con otras pruebas bioquímicas y de imagenología, para brindar una oportunidad de intervención terapéutica temprana. Los investigadores ahora se enfocarán en entrenar el algoritmo de AP para buscar patrones asociados con la acumulación de proteínas beta-amiloides y tau, grupos de proteínas y ovillos anormales en el cerebro que son marcadores específicos de la enfermedad de Alzheimer.

“Si diagnosticamos la enfermedad de Alzheimer cuando todos los síntomas se han manifestado, la pérdida de volumen cerebral es tan significativa que es demasiado tarde para intervenir”, dijo el coautor del estudio, Jae Ho Sohn, MD, del Departamento de Radiología e Imágenes Biomédicas de la Universidad de California en San Francisco (UCSF). “Si podemos detectarla antes, es una oportunidad para que los investigadores encuentren formas mejores de frenar o incluso detener el proceso de la enfermedad”.

Enlace relacionado:
Departamento de Radiología e Imágenes Biomédicas de la Universidad de California en San Francisco

Biopsy Software
Affirm® Contrast
Ultrasonic Pocket Doppler
SD1
Multi-Use Ultrasound Table
Clinton
Digital Radiographic System
OMNERA 300M

Canales

Radiografía

ver canal
Imagen: el nuevo método de imágenes de rayos X capaz de producir imágenes de múltiples contrastes fue desarrollado por los investigadores Mini Das y Jingcheng Yuan (Fotografía cortesía de la Universidad de Houston)

Avance en rayos X captura tres tipos de contraste de imagen en una sola toma

La detección de cáncer en etapas tempranas o cambios sutiles en las capas profundas de los tejidos ha sido un desafío para los sistemas de rayos X convencionales, que dependen únicamente... 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.