{"id":44739,"date":"2024-04-22T09:49:47","date_gmt":"2024-04-22T15:49:47","guid":{"rendered":"https:\/\/saluddigital.com\/?p=44739"},"modified":"2025-10-18T21:51:11","modified_gmt":"2025-10-19T03:51:11","slug":"cientificos-presentan-ia-que-ayuda-a-la-toma-de-decisiones-sobre-imagenes-medicas","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/cientificos-presentan-ia-que-ayuda-a-la-toma-de-decisiones-sobre-imagenes-medicas\/","title":{"rendered":"Cient\u00edficos presentan IA que ayuda a la toma de decisiones sobre im\u00e1genes m\u00e9dicas"},"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

Investigadores del MIT, Harvard y Massachusetts General Hospital desarrollaron un marco de machine learning que puede identificar enfermedades potenciales en im\u00e1genes m\u00e9dicas.<\/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

Los modelos de inteligencia artificial (IA), han demostrado ser de gran utilidad para radi\u00f3logos y otros especialistas para resaltar pixeles que pueden mostrar signos enfermedades. En biomedicina, esto se denomina segmentaci\u00f3n que se refiere a anotar pixeles de una estructura importante en una imagen m\u00e9dica como un \u00f3rgano o una c\u00e9lula.<\/p>

Actualmente, las soluciones actuales de segmentaci\u00f3n de im\u00e1genes m\u00e9dicas basada en machine learning presentan dos importantes deficiencias. En primer lugar, la mayor\u00eda de las nuevas tareas de segmentaci\u00f3n requieren un reentrenamiento o ajuste de un nuevo modelo, lo que se traduce en m\u00e1s recursos y experiencia en aprendizaje autom\u00e1tico, que en ocasiones no es viable. En segundo lugar, la mayor\u00eda de m\u00e9todos de segmentaci\u00f3n producen una \u00fanica m\u00e1scara de segmentaci\u00f3n para una imagen determinada.<\/p>

En este sentido, en la pr\u00e1ctica cl\u00ednica existe una incertidumbre y ambig\u00fcedad acerca de c\u00f3mo debe ser una segmentaci\u00f3n correcta ya que especialistas expertos pueden llegar a hacer segmentaciones distintas sobre la misma imagen. Investigadores del MIT, Harvard y Massachusetts General Hospital desarrollaron un marco de machine learning, para abordar esta ambig\u00fcedad, denominado Tyche, que utiliza un conjunto de \u201cim\u00e1genes de contexto\u201d para generar predicciones aleatorias de tareas no vistas previamente sin necesidad de volver a entrenar el modelo.<\/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\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
\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

\u201cLa ambig\u00fcedad ha sido poco estudiada. Si su modelo omite por completo un n\u00f3dulo que tres expertos dicen que est\u00e1 ah\u00ed y dos expertos dicen que no, probablemente sea algo a lo que deba prestar atenci\u00f3n\u201d, explic\u00f3 el autor principal del estudio, Adrian Dalca, profesor asistente de Facultad de Medicina de Harvard e investigador del Laboratorio de Ciencias de la Computaci\u00f3n e Inteligencia Artificial del MIT (CSAIL, 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\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

A diferencia de otros m\u00e9todos, Tyche, introduce una novedosa arquitectura de bloques de convoluciones que permite interacciones entre predicciones y aumenta el tiempo de prueba y proporciona imprevisibilidad en las predicciones. Adem\u00e1s, Tyche fue construido modificando una arquitectura de red neuronal sencilla.<\/p>

Para utilizar Tyche, el usuario debe dar algunos ejemplos que muestran la tarea de segmentaci\u00f3n de im\u00e1genes m\u00e9dicas. Por ejemplo, incluir varias im\u00e1genes de lesiones en una resonancia magn\u00e9tica del coraz\u00f3n que han sido segmentadas por diferentes expertos humanos para que el modelo aprenda la tarea y ver que existe ambig\u00fcedad.<\/p>

Adem\u00e1s, los investigadores descubrieron que solo 16 im\u00e1genes de contexto son suficientes para que el modelo logra hacer buenas predicciones. De esta manera, Tyche, ayuda a especialistas resolver nuevas tareas sin requerir un nuevo entrenamiento.<\/p>

Asimismo, los investigadores descubrieron que Tyche tambi\u00e9n se puede utilizar como un m\u00e9todo complementario, que, al combinarse con un dise\u00f1o de modelo, puede predecir un conjunto de candidatos de segmentaci\u00f3n diversos y plausibles para im\u00e1genes m\u00e9dicas y tareas de segmentaciones nuevas sin necesidad de reentrenamiento.<\/p>

El c\u00f3digo de Tyche est\u00e1 disponible en GitHub: https:\/\/github.com\/mariannerakic\/tyche\/<\/span><\/a>. Puedes consultar el art\u00edculo completo en el siguiente enlace: https:\/\/arxiv.org\/pdf\/2401.13650.pdf<\/span><\/a>.<\/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

MIT<\/b><\/p>

https:\/\/news.mit.edu\/2024\/new-ai-method-captures-uncertainty-medical-images-0411<\/a><\/span><\/p>

ARVIX<\/b><\/p>

https:\/\/arxiv.org\/pdf\/2401.13650.pdf<\/a><\/span><\/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":"

Investigadores del MIT, Harvard y Massachusetts General Hospital desarrollaron un marco de machine learning que puede identificar enfermedades potenciales en im\u00e1genes m\u00e9dicas. Los modelos de inteligencia artificial (IA), han demostrado ser de gran utilidad para radi\u00f3logos y otros especialistas para resaltar pixeles que pueden mostrar signos enfermedades. En biomedicina, esto se denomina segmentaci\u00f3n que se refiere a anotar pixeles de una estructura importante en una imagen m\u00e9dica como un \u00f3rgano o una c\u00e9lula. Actualmente, las soluciones actuales de segmentaci\u00f3n de im\u00e1genes m\u00e9dicas basada en machine learning presentan dos importantes deficiencias. En primer lugar, la mayor\u00eda de las nuevas tareas de segmentaci\u00f3n requieren un reentrenamiento o ajuste de un nuevo modelo, lo que se traduce en m\u00e1s recursos y experiencia en aprendizaje autom\u00e1tico, que en ocasiones no es viable. En segundo lugar, la mayor\u00eda de m\u00e9todos de segmentaci\u00f3n producen una \u00fanica m\u00e1scara de segmentaci\u00f3n para una imagen determinada. En este sentido, en la pr\u00e1ctica cl\u00ednica existe una incertidumbre y ambig\u00fcedad acerca de c\u00f3mo debe ser una segmentaci\u00f3n correcta ya que especialistas expertos pueden llegar a hacer segmentaciones distintas sobre la misma imagen. Investigadores del MIT, Harvard y Massachusetts General Hospital desarrollaron un marco de machine learning, para abordar esta ambig\u00fcedad, denominado Tyche, que utiliza un conjunto de \u201cim\u00e1genes de contexto\u201d para generar predicciones aleatorias de tareas no vistas previamente sin necesidad de volver a entrenar el modelo. \u201cLa ambig\u00fcedad ha sido poco estudiada. Si su modelo omite por completo un n\u00f3dulo que tres expertos dicen que est\u00e1 ah\u00ed y dos expertos dicen que no, probablemente sea algo a lo que deba prestar atenci\u00f3n\u201d, explic\u00f3 el autor principal del estudio, Adrian Dalca, profesor asistente de Facultad de Medicina de Harvard e investigador del Laboratorio de Ciencias de la Computaci\u00f3n e Inteligencia Artificial del MIT (CSAIL, en ingl\u00e9s). A diferencia de otros m\u00e9todos, Tyche, introduce una novedosa arquitectura de bloques de convoluciones que permite interacciones entre predicciones y aumenta el tiempo de prueba y proporciona imprevisibilidad en las predicciones. Adem\u00e1s, Tyche fue construido modificando una arquitectura de red neuronal sencilla. Para utilizar Tyche, el usuario debe dar algunos ejemplos que muestran la tarea de segmentaci\u00f3n de im\u00e1genes m\u00e9dicas. Por ejemplo, incluir varias im\u00e1genes de lesiones en una resonancia magn\u00e9tica del coraz\u00f3n que han sido segmentadas por diferentes expertos humanos para que el modelo aprenda la tarea y ver que existe ambig\u00fcedad. Adem\u00e1s, los investigadores descubrieron que solo 16 im\u00e1genes de contexto son suficientes para que el modelo logra hacer buenas predicciones. De esta manera, Tyche, ayuda a especialistas resolver nuevas tareas sin requerir un nuevo entrenamiento. Asimismo, los investigadores descubrieron que Tyche tambi\u00e9n se puede utilizar como un m\u00e9todo complementario, que, al combinarse con un dise\u00f1o de modelo, puede predecir un conjunto de candidatos de segmentaci\u00f3n diversos y plausibles para im\u00e1genes m\u00e9dicas y tareas de segmentaciones nuevas sin necesidad de reentrenamiento. El c\u00f3digo de Tyche est\u00e1 disponible en GitHub: https:\/\/github.com\/mariannerakic\/tyche\/. Puedes consultar el art\u00edculo completo en el siguiente enlace: https:\/\/arxiv.org\/pdf\/2401.13650.pdf. BIBLIOGRAF\u00cdA MIT https:\/\/news.mit.edu\/2024\/new-ai-method-captures-uncertainty-medical-images-0411 ARVIX https:\/\/arxiv.org\/pdf\/2401.13650.pdf<\/p>","protected":false},"author":1,"featured_media":44741,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-44739","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/44739","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=44739"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/44739\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/44741"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=44739"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=44739"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=44739"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}