{"id":31662,"date":"2022-09-22T09:09:32","date_gmt":"2022-09-22T14:09:32","guid":{"rendered":"https:\/\/saluddigital.com\/?p=31662"},"modified":"2025-10-20T09:55:47","modified_gmt":"2025-10-20T15:55:47","slug":"cientificos-de-harvard-y-stanford-desarrollan-ia-para-el-diagnostico-de-enfermedades-por-medio-de-radiografias-de-torax","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/cientificos-de-harvard-y-stanford-desarrollan-ia-para-el-diagnostico-de-enfermedades-por-medio-de-radiografias-de-torax\/","title":{"rendered":"Cient\u00edficos de Harvard y Stanford desarrollan IA para el diagn\u00f3stico de enfermedades por medio de radiograf\u00edas de t\u00f3rax"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Cient\u00edficos de la Escuela de Medicina de Harvard (HMS) y de la Universidad de Stanford, desarrollaron una herramienta de diagn\u00f3stico basada en Inteligencia Artificial (IA), para la detecci\u00f3n de enfermedades analizando im\u00e1genes de rayos X del t\u00f3rax.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

La Universidad de Harvard, detalla que esta soluci\u00f3n supera un obst\u00e1culo en el dise\u00f1o de IA cl\u00ednica, ya que puede detectar enfermedades en radiograf\u00edas de t\u00f3rax, a partir de descripciones en lenguaje natural contenidas en informes cl\u00ednicos. La mayor parte de los modelos de IA necesitan una gran cantidad de anotaciones cl\u00ednica realizadas por especialistas, estos datos deben ser etiquetados y posteriormente introducidas al modelo de IA para su entrenamiento.<\/p>

El reporte de estos avances fue publicado en Nature Biomedical Engineering<\/em>. El art\u00edculo detalla que ro, como fue denominado el modelo, desempe\u00f1\u00f3 sus tareas a la par de los radi\u00f3logos humanos en la capacidad para la detecci\u00f3n de patolog\u00edas en radiograf\u00edas de t\u00f3rax.<\/p>

El proceso m\u00e1s com\u00fan para el entrenamiento de modelos de IA es el etiquetado de conjuntos de datos. De esta forma el modelo aprende a identificar patolog\u00edas espec\u00edficas. Sin embargo, este proceso requiere una cantidad masiva de anotaciones m\u00e9dicas, lo cual adem\u00e1s de requerir mucho tiempo es costoso.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Es decir, para etiquetar conjuntos de radiograf\u00edas de t\u00f3rax, los radi\u00f3logos deben observar miles de im\u00e1genes y realizar anotaciones manualmente sobre cada una.\u00a0 En cambio, este modelo es auto supervisado y aprende de manera independiente sin la necesidad de contar con datos etiquetados a mano. El modelo analiza por s\u00ed mismo las anotaciones que se encuentran en informes de radiograf\u00edas. No obstante, una de sus limitantes es que solo identifica notas escritas en ingl\u00e9s.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

\u201cEstamos viviendo los primeros d\u00edas de los modelos m\u00e9dicos de IA de pr\u00f3xima generaci\u00f3n que pueden realizar tareas flexibles aprendiendo directamente del texto\u201d, dijo el investigador principal del estudio, Pranav Rajpurkar, profesor asistente de inform\u00e1tica biom\u00e9dica en el Instituto Blavatnik en HMS.<\/p>

CheXZero, facilita la alimentaci\u00f3n del modelo y el aprendizaje, ya que puede aprender conceptos en textos no estructurados y relacionarlo con patrones visuales en las im\u00e1genes m\u00e9dicas. El entrenamiento del modelo fue realizado con m\u00e1s de 377 mil radiograf\u00edas de t\u00f3rax y m\u00e1s de 227 mil notas cl\u00ednicas adjuntas. Posteriormente para evaluar y probar su desempe\u00f1o fue aplicado en dos conjuntos de datos separados. La prueba identific\u00f3 \u00e9xito en el diagn\u00f3stico de patolog\u00edas que no fueron anotadas por los m\u00e9dicos, lo que supera a otras herramientas de IA auto supervisadas.<\/p>

Por \u00faltimo, los cient\u00edficos detallaron que el modelo puede aplicarse a otras modalidades de im\u00e1genes m\u00e9dicas como tomograf\u00edas computarizadas, ecocardiogramas o resonancias magn\u00e9ticas.<\/p>

Otro aspecto importante de esta investigaci\u00f3n es que los autores han hecho p\u00fablico el modelo utilizado: https:\/\/github.com\/rajpurkarlab\/CheXzero<\/a>. Asimismo, puedes consultar el estudio completo en el siguiente enlace: https:\/\/www.nature.com\/articles\/s41551-022-00936-9<\/a> \u00a0<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t BIBLIOGRAPHY<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

NATURE <\/strong><\/p>

https:\/\/www.nature.com\/articles\/s41551-022-00936-9<\/a> \u00a0<\/p>

HARVARD<\/strong><\/p>

https:\/\/hms.harvard.edu\/news\/no-labels-no-problem<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

Cient\u00edficos de la Escuela de Medicina de Harvard (HMS) y de la Universidad de Stanford, desarrollaron una herramienta de diagn\u00f3stico basada en Inteligencia Artificial (IA), para la detecci\u00f3n de enfermedades analizando im\u00e1genes de rayos X del t\u00f3rax. La Universidad de Harvard, detalla que esta soluci\u00f3n supera un obst\u00e1culo en el dise\u00f1o de IA cl\u00ednica, ya que puede detectar enfermedades en radiograf\u00edas de t\u00f3rax, a partir de descripciones en lenguaje natural contenidas en informes cl\u00ednicos. La mayor parte de los modelos de IA necesitan una gran cantidad de anotaciones cl\u00ednica realizadas por especialistas, estos datos deben ser etiquetados y posteriormente introducidas al modelo de IA para su entrenamiento. El reporte de estos avances fue publicado en Nature Biomedical Engineering. El art\u00edculo detalla que ro, como fue denominado el modelo, desempe\u00f1\u00f3 sus tareas a la par de los radi\u00f3logos humanos en la capacidad para la detecci\u00f3n de patolog\u00edas en radiograf\u00edas de t\u00f3rax. El proceso m\u00e1s com\u00fan para el entrenamiento de modelos de IA es el etiquetado de conjuntos de datos. De esta forma el modelo aprende a identificar patolog\u00edas espec\u00edficas. Sin embargo, este proceso requiere una cantidad masiva de anotaciones m\u00e9dicas, lo cual adem\u00e1s de requerir mucho tiempo es costoso. Es decir, para etiquetar conjuntos de radiograf\u00edas de t\u00f3rax, los radi\u00f3logos deben observar miles de im\u00e1genes y realizar anotaciones manualmente sobre cada una.  En cambio, este modelo es auto supervisado y aprende de manera independiente sin la necesidad de contar con datos etiquetados a mano. El modelo analiza por s\u00ed mismo las anotaciones que se encuentran en informes de radiograf\u00edas. No obstante, una de sus limitantes es que solo identifica notas escritas en ingl\u00e9s. \u201cEstamos viviendo los primeros d\u00edas de los modelos m\u00e9dicos de IA de pr\u00f3xima generaci\u00f3n que pueden realizar tareas flexibles aprendiendo directamente del texto\u201d, dijo el investigador principal del estudio, Pranav Rajpurkar, profesor asistente de inform\u00e1tica biom\u00e9dica en el Instituto Blavatnik en HMS. CheXZero, facilita la alimentaci\u00f3n del modelo y el aprendizaje, ya que puede aprender conceptos en textos no estructurados y relacionarlo con patrones visuales en las im\u00e1genes m\u00e9dicas. El entrenamiento del modelo fue realizado con m\u00e1s de 377 mil radiograf\u00edas de t\u00f3rax y m\u00e1s de 227 mil notas cl\u00ednicas adjuntas. Posteriormente para evaluar y probar su desempe\u00f1o fue aplicado en dos conjuntos de datos separados. La prueba identific\u00f3 \u00e9xito en el diagn\u00f3stico de patolog\u00edas que no fueron anotadas por los m\u00e9dicos, lo que supera a otras herramientas de IA auto supervisadas. Por \u00faltimo, los cient\u00edficos detallaron que el modelo puede aplicarse a otras modalidades de im\u00e1genes m\u00e9dicas como tomograf\u00edas computarizadas, ecocardiogramas o resonancias magn\u00e9ticas. Otro aspecto importante de esta investigaci\u00f3n es que los autores han hecho p\u00fablico el modelo utilizado: https:\/\/github.com\/rajpurkarlab\/CheXzero. Asimismo, puedes consultar el estudio completo en el siguiente enlace: https:\/\/www.nature.com\/articles\/s41551-022-00936-9   BIBLIOGRAF\u00cdA NATURE https:\/\/www.nature.com\/articles\/s41551-022-00936-9   HARVARD https:\/\/hms.harvard.edu\/news\/no-labels-no-problem<\/p>","protected":false},"author":1,"featured_media":31664,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,3400,160],"tags":[145],"class_list":["post-31662","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-diagnostico","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/31662","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/comments?post=31662"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/31662\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/31664"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=31662"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=31662"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=31662"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}