Presenta Sitios para socios Información LinkXpress hp
Ingresar
Publique su anuncio con nosotros
GLOBETECH PUBLISHING LLC

Deascargar La Aplicación Móvil




Un algoritmo nuevo de inteligencia artificial aumenta la detección de pólipos en los procedimientos de colonoscopia

Por el equipo editorial de MedImaging en español
Actualizado el 05 Dec 2018
Imagen: El algoritmo Wision AI resalta los pólipos en el monitor, mejorando la detección (abajo) (Fotografía cortesía de Shanghai Wision AI).
Imagen: El algoritmo Wision AI resalta los pólipos en el monitor, mejorando la detección (abajo) (Fotografía cortesía de Shanghai Wision AI).
Los investigadores de Shanghai Wision AI Co., Ltd. (Shanghai, China), un desarrollador de algoritmos y sistemas de diagnóstico asistidos por computadora para mejorar la exactitud y efectividad de las imágenes de diagnóstico, han anunciado los resultados de un estudio que valida un algoritmo nuevo de aprendizaje automático para mejorar la detección de pólipos adenomatosos durante la colonoscopia. El algoritmo de IA se basa en la misma arquitectura de red utilizada para desarrollar automóviles de conducción automática y está diseñado para permitir la “conducción automática” en los procedimientos de colonoscopia.

El algoritmo Wision AI se validó en conjuntos de datos grandes, desarrollados prospectivamente, diferentes del conjunto de datos de entrenamiento o recopilados independientemente y que fueron varias veces más grandes que el conjunto de datos de entrenamiento. Este enfoque de validación más riguroso utilizado por Wision AI pretende aumentar el desempeño del algoritmo en entornos clínicos del mundo real.

El algoritmo se desarrolló utilizando 5.545 imágenes (65,5% conteniendo pólipos y 34,5% sin pólipos) a partir de los informes de colonoscopia de 1.290 pacientes. Los endoscopistas experimentados anotaron la presencia de pólipos en todas las imágenes utilizadas en el conjunto de datos de desarrollo, y el algoritmo se validó en cuatro conjuntos de datos independientes: dos conjuntos para análisis de imágenes (A y B) y dos conjuntos para análisis de video (C y D). De acuerdo con los hallazgos clave del estudio, la validación en el conjunto de datos A, que incluyó 27.113 imágenes de pacientes a quienes les practicaron una colonoscopia en el Centro de Endoscopia del Hospital Provincial del Pueblo de Sichuan, encontró una sensibilidad por imagen del 94,4% y una especificidad por imagen del 95,9%. La sensibilidad por imagen en un subconjunto de 1.280 imágenes con pólipos que generalmente son difíciles de detectar, fue de 91,7%.

La validación en el conjunto de datos B, basada en una base de datos pública de 612 imágenes de colonoscopia adquiridas en el Hospital Clinic de Barcelona, encontró una sensibilidad por imagen del 88,2%. El uso de este conjunto de datos permitió la generalización de los datos de validación a una población de pacientes más amplia. La validación en el conjunto de datos C que incluyó una serie de videos de colonoscopia con 138 pólipos, encontró una sensibilidad por imagen del 91,6% entre 60.914 marcos de video y una sensibilidad por pólipo del 100%. La validación en el conjunto de datos D, que contenía 54 videos de colonoscopia sin pólipos, encontró una especificidad por imagen del 95,4% entre 1.072.483 marcos. El tiempo total de procesamiento para cada marco de imagen fue de 76,8 milisegundos, incluido el preprocesamiento y la visualización de los tiempos antes y después de la ejecución del algoritmo de aprendizaje profundo. La implementación en un sistema en tiempo real dio como resultado una tasa de procesamiento de 30 marcos por segundo con las GPU Nvidia Titan X.

Sobre la base de estos hallazgos, los investigadores concluyeron que el sistema automático de detección de pólipos, basado en el aprendizaje profundo, tiene un alto desempeño general tanto en imágenes de colonoscopia como en videos en tiempo real.

“Los resultados de este estudio demuestran el poder de nuestro enfoque riguroso para desarrollar algoritmos de aprendizaje profundo, que utilizan conjuntos de datos distintos para la capacitación y validación, y da como resultado altos niveles de especificidad y sensibilidad que tienen el potencial de mejorar los métodos de cribado de diagnóstico que se conocen por reducir el riesgo de enfermedad, mejorar los resultados de salud y salvar vidas”, dijo JingJia Liu, director ejecutivo de Wision AI.

Enlace relacionado:
Shanghai Wision AI Co., Ltd.

New
Adjustable Mobile Barrier
M-458
New
Floor‑Mounted Digital X‑Ray System
MasteRad MX30+
Ultrasound Needle Guidance System
SonoSite L25
Digital Intelligent Ferromagnetic Detector
Digital Ferromagnetic Detector

Canales

Radiografía

ver canal
Imagen: la AI evalúa las mamografías mejor que los radiólogos (foto cortesía de la Universidad de Radboud)

Estrategia híbrida con IA mejora la interpretación de mamografías

Los programas de detección del cáncer de mama dependen en gran medida de la interpretación de las mamografías por parte de radiólogos, un proceso que requiere mucho tiempo... Más

Ultrasonido

ver canal
Imagen: la herramienta basada en ultrasonido NEOSONICS identifica de forma no invasiva los casos de meningitis infantil (foto cortesía de Newborn Solution)

Herramienta no invasiva basada en ultrasonido detecta con precisión la meningitis infantil

La meningitis, una inflamación de las membranas que rodean el cerebro y la médula espinal, puede ser mortal en bebés si no se diagnostica y trata a tiempo. Incluso con tratamiento, puede dejar daños permanentes,... Más

Medicina Nuclear

ver canal
Imagen: la herramienta de diagnóstico podría mejorar las decisiones de diagnóstico y tratamiento para pacientes con infecciones pulmonares crónicas (foto cortesía de SNMMI)

Nueva técnica de PET específica para bacterias detecta infecciones pulmonares difíciles de diagnosticar

Mycobacteroides abscessus es una micobacteria de rápido crecimiento que afecta principalmente a pacientes inmunodeprimidos y a personas con enfermedades pulmonares preexistentes, como fibrosis... Más

Imaginología General

ver canal
Imagen: un modelo de aprendizaje profundo basado en parches con un conjunto de datos de entrenamiento limitado para la segmentación de tumores hepáticos en TC con contraste (Yang et al. (2025), IEEE Access, 10.1109/Access.2025.3570728)

Modelo de IA segmenta con precisión tumores hepáticos a partir de tomografías computarizadas

El cáncer de hígado es el sexto tipo de cáncer más común en el mundo y una de las principales causas de muerte por cáncer. La segmentación precisa de los tumores hepáticos es crucial para el diagnóstico... 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.