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.
Please note that the MedImaging website is also available in a complete English version
Presenta Sitios para socios Información LinkXpress
Ingresar
Publique su anuncio con nosotros
Ampronix,  Inc

Download Mobile App




Un algoritmo de IA identifica las radiografías de tórax anormales

Por el equipo editorial de Medimaging en español
Actualizado el 09 Oct 2018
Print article
Imagen: Los algoritmos de IA coinciden con los radiólogos en la detección de patologías en las radiografías de tórax y en las TC (Fotografía cortesía de Qure.ai).
Imagen: Los algoritmos de IA coinciden con los radiólogos en la detección de patologías en las radiografías de tórax y en las TC (Fotografía cortesía de Qure.ai).
Un estudio de validación clínica confirma que un algoritmo controlado por inteligencia artificial (IA) puede diferenciar entre los exámenes normales y anormales de rayos X con una exactitud sin precedentes.

Investigadores de Columbia Asia Hospitals (Kuala Lumpur, Malasia) y Qure.ai (San Mateo, CA, EUA) capacitaron un sistema de aprendizaje profundo para identificar radiografías anormales utilizando 1,2 millones de exámenes de rayos X y sus correspondientes informes de radiología. Las anomalías específicas de rayos X incluyeron un ángulo costofrénico embotado, calcificación, cardiomegalia, cavidad, consolidación, fibrosis, agrandamiento del hilio, opacidad y derrame pleural, entre otros. El sistema se probó contra un análisis mayoritario de tres radiólogos, basado en un conjunto independiente, retrospectivamente recogido y sin identificación de 2.000 radiografías.

Los resultados mostraron que el sistema de IA de aprendizaje profundo fue altamente exacto en la detección de 15 anomalías en las radiografías de tórax en niveles cercanos a la identificación del radiólogo, con más del 90% de exactitud. El estudio de validación clínica de tórax se une a un estudio clínico previo que confirmó que el algoritmo de aprendizaje profundo, Qure.ai qER, puede identificar hemorragias, fracturas y otros traumas críticos en las tomografías computarizadas (TC) de cabeza, con más del 95% de exactitud. El estudio de tórax se publicó el 18 de julio de 2018 en la revista arXiv.org.

"La radiografía de tórax es una herramienta valiosa de evaluación de la salud y un componente vital de los programas de salud pública en todo el mundo. El enorme volumen producido cada año crea una demanda cada vez mayor para los radiólogos", dijo la coautora del estudio, Shalini Govil, MD, del grupo de radiología de Columbia Asia Hospitals. "Desafortunadamente, numerosas radiografías de tórax que muestran una patología significativa se dejan desatendidas en las pilas de trabajos pendientes debido a la falta de radiólogos disponibles para informarlos. A través de la semiautomatización del proceso de informe, la IA puede reducir significativamente la carga de trabajo de un radiólogo, mejorar la exactitud del informe, reducir el tiempo de respuesta y salvar vidas".

"Este es el conjunto de datos de entrenamiento más grande que se haya realizado hasta la fecha para una IA con rayos X en el tórax. También es el estudio de validación más grande hasta la fecha, medido contra 2.000 exámenes de rayos X, cada uno leído por tres radiólogos", dijo el autor principal, Prashant Warier, director ejecutivo y cofundador de Qure.ai. "Este es un momento emocionante para las tecnologías de aprendizaje profundo en medicina. A medida que estos sistemas aumentan en exactitud, también lo hará la viabilidad de usar el aprendizaje profundo para ampliar el alcance de la interpretación de los exámenes de rayos X del tórax, mejorar la eficiencia de los informes y salvar vidas".

El aprendizaje profundo es parte de una familia más amplia de métodos de aprendizaje automático de IA basados en representaciones de datos, a diferencia de los algoritmos específicos de tareas. Implica algoritmos de redes neuronales que utilizan una cascada de muchas capas de unidades de procesamiento no lineales para la extracción y transformación de características, y cada capa sucesiva utiliza la salida de la capa anterior como entrada, formando una representación jerárquica.

Enlace relacionado:
Columbia Asia Hospitals
Qure.ai



Print article

Canales

Radiografía

ver canal
Imagen: Un estudio nuevo sugiere que proteger a los pacientes durante las radiografías de diagnóstico podría ser contraproducente (Fotografía cortesía de Rebecca Milman Marsh / Shutterstock).

Un nuevo estudio cuestiona los beneficios de proteger a los pacientes durante los exámenes de radiografía

Un estudio nuevo afirma que proteger a los pacientes durante las radiografías de diagnóstico proporciona beneficios insignificantes y aumenta los riesgos. Un estudio escrito por investigadores de la... 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

Industria

ver canal
Imagen: Se espera que un método nuevo de inteligencia artificial, para detectar el cáncer de mama, supere los métodos existentes que no cumplen con sus predicciones (Fotografía cortesía del MIT).

Método nuevo de IA predice el cáncer de mama con cinco años de antelación

Investigadores de dos instituciones importantes han desarrollado una herramienta nueva con métodos avanzados de inteligencia artificial (IA) para predecir el riesgo futuro de cáncer de mama en una mujer.... Más
Copyright © 2000-2019 Globetech Media. All rights reserved.