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
GLOBETECH PUBLISHING LLC

Deascargar La Aplicación Móvil




Aprendizaje profundo funciona tan bien como radiólogos en análisis del hígado por ultrasonido

Por el equipo editorial de MedImaging en español
Actualizado el 20 Oct 2023
Print article
Imagen: Un estudio ha encontrado que el aprendizaje profundo es comparable a los radiólogos para el análisis de hígado por ultrasonido (Fotografía cortesía de 123RF)
Imagen: Un estudio ha encontrado que el aprendizaje profundo es comparable a los radiólogos para el análisis de hígado por ultrasonido (Fotografía cortesía de 123RF)

La esteatosis hepática implica la acumulación de vacuolas de grasa en las células del hígado y se evalúa mediante grados de esteatosis, donde los grados más altos indican peores resultados de salud. Los investigadores ahora han descubierto que las tecnologías de aprendizaje profundo aplicadas al ultrasonido en modo B pueden categorizar estos grados con la misma eficacia que los especialistas humanos.

Los científicos del Centro de Investigación Du Chum (Montreal, Canadá) han demostrado que el aprendizaje profundo iguala la capacidad de los radiólogos para identificar y clasificar la esteatosis hepática mediante ultrasonido, a pesar de las limitaciones inherentes de la tecnología para obtener imágenes de la grasa en el hígado. Los investigadores también destacaron que estudios anteriores no han comparado suficientemente el rendimiento del aprendizaje profundo con el de expertos humanos que utilizan el mismo conjunto de datos de prueba. Para su experimento, el equipo se centró en la eficacia tanto de los radiólogos como de los algoritmos de aprendizaje profundo para clasificar la esteatosis hepática en pacientes con enfermedad del hígado graso no alcohólico, utilizando los resultados de la biopsia como punto de referencia.

Los investigadores emplearon el modelo de aprendizaje profundo VGG16, conocido por su profundidad "moderada" y capacidades previamente entrenadas en el conjunto de datos de ImageNet. También utilizaron cinco validaciones cruzadas durante la fase de entrenamiento. En el estudio participaron 199 participantes, con una edad promedio de 53 años; 101 eran hombres y 98 mujeres. El algoritmo de aprendizaje profundo exhibió valores de AUC (área bajo la curva) más altos al distinguir entre los grados de esteatosis de 0 y 1 y tuvo un rendimiento comparable para grados más altos de la afección. Para esta prueba se utilizó un subconjunto de 52 pacientes.

El estudio también reveló que la concordancia entre radiólogos varió: 0,34 para los grados S0 frente a S1 o superiores, 0,3 para los grados S0 o S1 frente a S2 o S3, y 0,37 para los grados S2 o inferiores frente a S3. En comparación, el modelo de aprendizaje profundo tuvo valores de AUC significativamente más altos en 11 de 12 lecturas para la categoría S0 frente a S1 o superior (p <0,001). No hubo diferencias significativas en el rango S0 o S1 versus S2 o S3, mientras que para los grados S2 o inferiores versus S3, el modelo de aprendizaje profundo superó las lecturas humanas en un caso (P = 0,002). Los investigadores concluyeron que estos resultados justifican la realización de más estudios multicéntricos para confirmar la eficacia de los modelos de aprendizaje profundo en el diagnóstico de la esteatosis hepática mediante ultrasonido en modo B.

"El desempeño de nuestro modelo sugiere que el aprendizaje profundo puede usarse para la detección oportunista de esteatosis con el uso de ultrasonido en modo B en escáneres de diferentes fabricantes o incluso para estudios epidemiológicos a nivel poblacional si se implementa en grandes repositorios de imágenes regionales", afirmaron los investigadores.

Enlaces relacionados:
Centro de investigación Du Chum  

Miembro Oro
Solid State Kv/Dose Multi-Sensor
AGMS-DM+
New
Oncology Information System
RayCare
New
Mammography System
MAMMOVISTA B.smart
X-Ray Meter
Cobia SENSE

Print article
Radcal

Canales

Radiografía

ver canal
Imagen: Un nuevo estudio probó una variedad de algoritmos de IA cara a cara en condiciones similares (Fotografía cortesía de 123RF)

IA supera a lectores humanos en detección de nódulos pulmonares en rayos X

Actualmente, más de 150 productos de software basados en inteligencia artificial (IA) están disponibles en el mercado europeo para radiología, y muchos de ellos abordan casos de uso similares.... Más

RM

ver canal
Imagen: La IA puede predecir si los pacientes con cáncer cerebral sobrevivirán más de 8 meses después de recibir tratamiento con radioterapia (Fotografía cortesía de KCL)

IA predice sobrevivientes de cáncer cerebral dentro de ocho meses de radioterapia mediante RM

El glioblastoma, un cáncer cerebral primario en adultos particularmente difícil de tratar, tiene una tasa de supervivencia baja: solo uno de cada cuatro pacientes vive más de un año... Más

Medicina Nuclear

ver canal
Imagen: Un agente de imágenes PET recientemente desarrollado es efectivo para identificar el cáncer medular de tiroides (Fotografía cortesía de 123RF)

Nuevo trazador PET mejora detección de lesiones en cáncer medular de tiroides

El cáncer medular de tiroides (CMT) representa aproximadamente el 3 % de todos los casos de cáncer de tiroides y es notablemente raro. Surge de células diferentes en comparación... Más

Imaginología General

ver canal
Imagen: El software LungQ v3.0.0 ha recibido la autorización 510 (k) de la FDA de EUA para el análisis con IA de las imágenes de TC de tórax (Fotografía cortesía de Thirona)

Software de IA para análisis de imágenes de TC de tórax permite tratamiento personalizado para pacientes pulmonares

Un novedoso software clínico aprovecha la inteligencia artificial (IA) para segmentar automáticamente varios segmentos y subsegmentos pulmonares en la anatomía interna del pulmón.... 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 © 2000-2024 Globetech Media. All rights reserved.