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

Deascargar La Aplicación Móvil




Eventos

ATENCIÓN: Debido a la EPIDEMIA DE CORONAVIRUS, ciertos eventos están siendo reprogramados para una fecha posterior o cancelados por completo. Verifique con el organizador del evento o el sitio web antes de planificar cualquier evento próximo.

Modelo de aprendizaje profundo clasifica las radiografías de tórax con exactitud

Por el equipo editorial de MedImaging en español
Actualizado el 25 Dec 2019
Print article
Imagen: Radiografía de tórax de un neumotórax pasado por alto por el radiólogo (I), pero identificado por el modelo de DL (D) (Fotografía cortesía de Google Health)
Imagen: Radiografía de tórax de un neumotórax pasado por alto por el radiólogo (I), pero identificado por el modelo de DL (D) (Fotografía cortesía de Google Health)
Un nuevo estudio afirma que la combinación de modelos de aprendizaje profundo (DL) con etiquetas de imágenes adjudicadas puede ayudar a clasificar los hallazgos clínicamente importantes en las radiografías de tórax.

Investigadores de Google Health (Mountain View, CA), Apollo Radiology International (Hyderabad, India), California Advanced Imaging (Novato, EUA) y otras instituciones, desarrollaron modelos de DL que pueden clasificar con exactitud cuatro hallazgos de rayos X de tórax clínicamente importantes: neumotórax, nódulos y masas, fracturas y opacidades del espacio aéreo. Los hallazgos objetivo se seleccionaron en consulta con radiólogos y colegas clínicos, para enfocarse en condiciones que son tanto críticas para la atención del paciente y para las que las imágenes de rayos X de tórax solas son un estudio de imagenología de primera línea importante y accesible.

Para hacerlo, utilizaron dos grandes conjuntos de datos. El primero incluyó 759.611 imágenes de la red de Hospitales Apollo (Hyderabad, India) y el segundo fue extraído de un conjunto de 112.120 imágenes disponibles al público. Se utilizaron el procesamiento del lenguaje natural y la revisión experta de un pequeño subconjunto de imágenes para proporcionar etiquetas para 657.954 imágenes de entrenamiento, con estándares de referencia definidos por cuatro radiólogos. Los resultados mostraron que para los cuatro hallazgos radiológicos, y en ambos conjuntos de datos, los modelos de DL exhibieron un desempeño a nivel de radiólogo. El estudio fue publicado el 3 de diciembre de 2019 en la revista Radiology.

“Lograr una exactitud de nivel experto en promedio es solo una parte de la historia. A pesar de que la exactitud general de los modelos de DL fue consistentemente similar a la de los radiólogos para cualquier hallazgo dado, el rendimiento de ambos varió entre los conjuntos de datos”, dijo el autor principal Shravya Shetty, MSc, líder técnico de Google Health. “Esto resalta la importancia de validar las herramientas de aprendizaje profundo en conjuntos de datos múltiples y diversos, y eventualmente en las poblaciones de pacientes y entornos clínicos en los que se pretende utilizar cualquier modelo”.

Dado que realizan millones de exámenes de diagnóstico anualmente en todo el mundo, las radiografías de tórax son una herramienta de imagenología clínica importante y accesible para la detección de muchas enfermedades. Sin embargo, su utilidad se puede ver limitada por desafíos en la interpretación, que requieren una evaluación rápida y exhaustiva de una imagen bidimensional que representa órganos complejos, tridimensionales (3D) y procesos de enfermedades. Como resultado, a menudo se pueden pasar por alto los cánceres de pulmón o neumotórax en etapa temprana (pulmones colapsados), lo que puede conducir a resultados adversos graves.

Enlace relacionado:
Google Health
Apollo Radiology International
California Advanced Imaging


Print article
Radcal
CIRS

Canales

RM

ver canal
Imagen: Cápsula articular normal en el receso axilar (A); Rotura de grosor completo del tendón supraespinoso (B) (Fotografía cortesía del AJR)

La resonancia magnética predice la rigidez del hombro en los desgarros del manguito rotador

Según un estudio nuevo, el edema y el grosor de la cápsula articular en el receso axilar, medidos con imágenes de resonancia magnética (RM), pueden ser útiles para predecir el hombro rígido en pacientes... Más

Imaginología General

ver canal
Imagen: Mapas de calor de las regiones de activación de COVID-19 (Fotografía cortesía del Hospital del Pueblo Wuhan Huangpi)

Análisis mediante IA de las TC del tórax permite diferenciar la COVID-19 de la neumonía

Según un estudio nuevo, un modelo de aprendizaje profundo de inteligencia artificial (IA) puede detectar con exactitud la COVID-19 y diferenciarla de la neumonía adquirida en la comunidad (NAC) y otras... 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: AI-Rad Companion Chest CT genera automáticamente informes estandarizados, reproducibles y cuantitativos en formato DICOM SC (Fotografía cortesía de Siemens Healthineers).

Software para la TC de tórax basada en IA de Siemens Healthineers recibe aprobación de la FDA de los EUA

La Administración de Medicamentos y Alimentos de los Estados Unidos (FDA) aprobó tres módulos de AI-Rad Companion Chest CT, un asistente de software inteligente de Siemens Healthineers (Erlangen, Alemania)... Más
Copyright © 2000-2020 Globetech Media. All rights reserved.