Filter by input type
Select all
News
Pages
Events
Filter by category
Select all
AI ANALYTICS
Mobile Apps and Internet of Things
Advancement of science
big data
Connected communities
Coronavirus
Courses and training
DIAGNOSIS
Initial Editorial
Editorials
A world in the cloud
Events
Infographics
Artificial Intelligence and Science
IoT Apps
News
Digital platforms
Social networks
Review of scientific publications
Course Summary
Synopsis of essay
Overview of reference frames
Synopsis of recent publications
Use of Digital Platforms
Nuevo modelo de IA logra precisión de nivel clínico en exploraciones médicas complejas

SLIViT es un marco basado en deep learning que analiza y diagnostica automáticamente imágenes médicas en 3D con una precisión que iguala a la de especialistas médicos en una fracción del tiempo.

Investigadores de la Universidad de California, Los Ángeles (UCLA), desarrollaron un marco de deep learning o aprendizaje profundo, que aprende por sí mismo y analiza y diagnostica automáticamente imágenes de resonancias magnéticas y otras imágenes médicas en 3D con una precisión que iguala a la de especialistas médicos en una fracción del tiempo. Los investigadores publicaron un artículo al respecto en Nature Biomedical Engineering.

El estudio describe el uso de machine learning o aprendizaje automático aplicado a imágenes biomédicas 3D, que ha enfrentado desafíos debido a la escasez de conjuntos de datos anotados. Para abordar esta problemática, se presenta un modelo de deep learning llamado Slice Integration by Vision Transformer (SLIViT), que se entrenó inicialmente con imágenes bidimensionales o 2D antes de aplicarse a escaneos volumétricos 3D, donde la anotación de datos es más limitada.

Según el estudio SLIViT funciona de la siguiente manera:

  1. Preprocesamiento: El modelo convierte el escaneo volumétrico 3D en imágenes 2D.
  2. Extracción de características: A partir de esas imágenes 2D, el modelo genera un mapa de características.
  3. Integración y predicción: Finalmente, integra esas características para hacer una única predicción sobre factores de riesgo de enfermedades.

Además, el estudio también detalla la evaluación de SLIViT, que fue probado en ocho tareas diferentes, de clasificación y regresión, usando seis conjuntos de datos de cuatro tipos de modalidades de imágenes volumétricas: tomografía computarizada (TC), resonancia magnética (IRM), tomografía de coherencia óptica (TCO) y ultrasonido.

Este marco se diferencia de otros, ya que tiene una amplia adaptabilidad a diversas modalidades de imágenes. Las redes neuronales artificiales se entrenan a sí mismas realizando cálculos repetidos y analizando conjuntos de datos extremadamente grandes examinados y etiquetados por expertos clínicos. Asimismo, debido a su complejidad las imágenes 3D y sus características volumétricas requieren más tiempo y habilidad para su interpretación.

El modelo superó a los modelos específicos del dominio y tuvo un rendimiento similar al de especialistas médicos que habían anotado manualmente los escaneos, lo que significa no solamente un avance para la automatización de diagnósticos en imágenes en 3D, sino también representa un paso significativo hacia el ahorro de tiempo para los medios y recursos para los sistemas de salud, lo que acelera las investigaciones médicas y ahorrando tiempo y recursos.

“Si bien existen muchos métodos de IA para analizar datos de imágenes biomédicas en 2D, la recopilación y anotación de grandes conjuntos de datos volumétricos que serían necesarios para que los modelos 3D estándar agoten todo el potencial de la IA es inviable con los recursos estándar. Existen varios modelos, pero sus esfuerzos de entrenamiento generalmente se centran en una sola modalidad de imágenes y un órgano o enfermedad específicos”, dijo el Dr. Oren Avram, PhD, investigador postdoctoral en Medicina Computacional de UCLA y coautor principal del artículo.

Por su parte, Berkin Durmus, estudiante de doctorado de la UCLA y coautor principal del artículo, expresó que, aunque SLIVT es un modelo genérico, logra sistemáticamente un rendimiento mejor en comparación con otros modelos de última generación que se especifican en un dominio. Además, destacó su potencial de aplicación clínica y su flexibilidad: “Tiene potencial de aplicación clínica, igualando la precisión de la experiencia manual de los especialistas clínicos, al tiempo que reduce el tiempo en un factor de 5.000.

SLIViT es lo suficientemente flexible y robusto como para trabajar con conjuntos de datos clínicos que no siempre están en perfecto orden”.

El siguiente paso para los autores es ampliar los estudios para incluir modalidades de tratamiento adicionales y continuar investigando cómo se puede aprovechar SLIViT para predecir enfermedades, mejorar el diagnóstico tempano y favorecer a la planificación del tratamiento.

Outstanding news

News by country

Related Content

Secured By miniOrange