{"id":50016,"date":"2024-10-14T10:57:58","date_gmt":"2024-10-14T16:57:58","guid":{"rendered":"https:\/\/saluddigital.com\/?p=50016"},"modified":"2025-10-18T00:32:08","modified_gmt":"2025-10-18T06:32:08","slug":"nuevo-modelo-de-ia-logra-precision-de-nivel-clinico-en-exploraciones-medicas-complejas","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/nuevo-modelo-de-ia-logra-precision-de-nivel-clinico-en-exploraciones-medicas-complejas\/","title":{"rendered":"Nuevo modelo de IA logra precisi\u00f3n de nivel cl\u00ednico en exploraciones m\u00e9dicas complejas"},"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

SLIViT es un marco basado en deep learning que analiza y diagnostica autom\u00e1ticamente im\u00e1genes m\u00e9dicas en 3D con una precisi\u00f3n que iguala a la de especialistas m\u00e9dicos en una fracci\u00f3n del tiempo.<\/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

Investigadores de la Universidad de California, Los \u00c1ngeles (UCLA), desarrollaron un marco de deep learning<\/em> o aprendizaje profundo, que aprende por s\u00ed mismo y analiza y diagnostica autom\u00e1ticamente im\u00e1genes de resonancias magn\u00e9ticas y otras im\u00e1genes m\u00e9dicas en 3D con una precisi\u00f3n que iguala a la de especialistas m\u00e9dicos en una fracci\u00f3n del tiempo. Los investigadores publicaron un art\u00edculo al respecto en Nature Biomedical Engineering<\/em><\/a>.<\/p>

El estudio describe el uso de machine learning<\/em> o aprendizaje autom\u00e1tico aplicado a im\u00e1genes biom\u00e9dicas 3D, que ha enfrentado desaf\u00edos debido a la escasez de conjuntos de datos anotados. Para abordar esta problem\u00e1tica, se presenta un modelo de deep learning llamado Slice Integration by Vision Transformer (SLIViT), que se entren\u00f3 inicialmente con im\u00e1genes bidimensionales o 2D antes de aplicarse a escaneos volum\u00e9tricos 3D, donde la anotaci\u00f3n de datos es m\u00e1s limitada.<\/p>

Seg\u00fan el estudio SLIViT funciona de la siguiente manera:<\/p>

  1. Preprocesamiento: El modelo convierte el escaneo volum\u00e9trico 3D en im\u00e1genes 2D.<\/li>
  2. Extracci\u00f3n de caracter\u00edsticas: A partir de esas im\u00e1genes 2D, el modelo genera un mapa de caracter\u00edsticas.<\/li>
  3. Integraci\u00f3n y predicci\u00f3n: Finalmente, integra esas caracter\u00edsticas para hacer una \u00fanica predicci\u00f3n sobre factores de riesgo de enfermedades.<\/li><\/ol>\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

    Adem\u00e1s, el estudio tambi\u00e9n detalla la evaluaci\u00f3n de SLIViT, que fue probado en ocho tareas diferentes, de clasificaci\u00f3n y regresi\u00f3n, usando seis conjuntos de datos de cuatro tipos de modalidades de im\u00e1genes volum\u00e9tricas: tomograf\u00eda computarizada (TC), resonancia magn\u00e9tica (IRM), tomograf\u00eda de coherencia \u00f3ptica (TCO) y ultrasonido.<\/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

    Este marco se diferencia de otros, ya que tiene una amplia adaptabilidad a diversas modalidades de im\u00e1genes. Las redes neuronales artificiales se entrenan a s\u00ed mismas realizando c\u00e1lculos repetidos y analizando conjuntos de datos extremadamente grandes examinados y etiquetados por expertos cl\u00ednicos. Asimismo, debido a su complejidad las im\u00e1genes 3D y sus caracter\u00edsticas volum\u00e9tricas requieren m\u00e1s tiempo y habilidad para su interpretaci\u00f3n.<\/p>

    El modelo super\u00f3 a los modelos espec\u00edficos del dominio y tuvo un rendimiento similar al de especialistas m\u00e9dicos que hab\u00edan anotado manualmente los escaneos, lo que significa no solamente un avance para la automatizaci\u00f3n de diagn\u00f3sticos en im\u00e1genes en 3D, sino tambi\u00e9n representa un paso significativo hacia el ahorro de tiempo para los medios y recursos para los sistemas de salud, lo que acelera las investigaciones m\u00e9dicas y ahorrando tiempo y recursos.<\/p>

    \u201cSi bien existen muchos m\u00e9todos de IA para analizar datos de im\u00e1genes biom\u00e9dicas en 2D, la recopilaci\u00f3n y anotaci\u00f3n de grandes conjuntos de datos volum\u00e9tricos que ser\u00edan necesarios para que los modelos 3D est\u00e1ndar agoten todo el potencial de la IA es inviable con los recursos est\u00e1ndar. Existen varios modelos, pero sus esfuerzos de entrenamiento generalmente se centran en una sola modalidad de im\u00e1genes y un \u00f3rgano o enfermedad espec\u00edficos\u201d, dijo el Dr. Oren Avram, PhD, investigador postdoctoral en Medicina Computacional de UCLA y coautor principal del art\u00edculo.<\/p>

    Por su parte, Berkin Durmus, estudiante de doctorado de la UCLA y coautor principal del art\u00edculo, expres\u00f3 que, aunque SLIVT es un modelo gen\u00e9rico, logra sistem\u00e1ticamente un rendimiento mejor en comparaci\u00f3n con otros modelos de \u00faltima generaci\u00f3n que se especifican en un dominio. Adem\u00e1s, destac\u00f3 su potencial de aplicaci\u00f3n cl\u00ednica y su flexibilidad: \u201cTiene potencial de aplicaci\u00f3n cl\u00ednica, igualando la precisi\u00f3n de la experiencia manual de los especialistas cl\u00ednicos, al tiempo que reduce el tiempo en un factor de 5.000.<\/p>

    SLIViT es lo suficientemente flexible y robusto como para trabajar con conjuntos de datos cl\u00ednicos que no siempre est\u00e1n en perfecto orden\u201d.<\/p>

    El siguiente paso para los autores es ampliar los estudios para incluir modalidades de tratamiento adicionales y continuar investigando c\u00f3mo se puede aprovechar SLIViT para predecir enfermedades, mejorar el diagn\u00f3stico tempano y favorecer a la planificaci\u00f3n del tratamiento.<\/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

    UCLA<\/strong><\/p>

    https:\/\/www.uclahealth.org\/news\/release\/new-ai-model-efficiently-reaches-clinical-expert-level<\/a>\u00a0<\/strong><\/p>

    NATURE<\/strong><\/p>

    https:\/\/www.nature.com\/articles\/s41551-024-01257-9<\/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":"

    Nuevo modelo de IA logra precisi\u00f3n de nivel cl\u00ednico en exploraciones m\u00e9dicas complejas de im\u00e1genes en 3D en una fracci\u00f3n del tiempo.<\/p>","protected":false},"author":1,"featured_media":50019,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-50016","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\/50016","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=50016"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/50016\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/50019"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=50016"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=50016"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=50016"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}