Filtrar por tipo de entrada
Seleccionar todo
Noticias
Páginas
Eventos
Filtrar por categorías
Seleccionar todo
AI ANALITICA
Apps móviles e Internet de las Cosas
Avance de la ciencia
Big data
Comunidades conectadas
Coronavirus
Cursos y capacitaciones
DIAGNOSTICO
Editorial inicial
Editoriales
El mundo en la nube
Eventos
Infografías
Inteligencia Artificial y Ciencia
IoTApps
Noticias
Plataformas digitales
Redes sociales
Reseña de publicaciones científicas
Resumen de Cursos
Sinopsis de ensayo
Sinopsis de Marcos de Referencia
Sinopsis de publicaciones recientes
Uso de Plataformas Digitales
Filtrar por tipo de entrada
Seleccionar todo
Noticias
Páginas
Eventos
Filtrar por categorías
Seleccionar todo
AI ANALITICA
Apps móviles e Internet de las Cosas
Avance de la ciencia
Big data
Comunidades conectadas
Coronavirus
Cursos y capacitaciones
DIAGNOSTICO
Editorial inicial
Editoriales
El mundo en la nube
Eventos
Infografías
Inteligencia Artificial y Ciencia
IoTApps
Noticias
Plataformas digitales
Redes sociales
Reseña de publicaciones científicas
Resumen de Cursos
Sinopsis de ensayo
Sinopsis de Marcos de Referencia
Sinopsis de publicaciones recientes
Uso de Plataformas Digitales
Modelo de aprendizaje profundo utilizado para detectar neumonía en pacientes con COVID-19 a través de imágenes computarizadas

A través de tomografías computarizadas este método de diagnóstico a través de un algoritmo basado en aprendizaje profundo, investigadores planean desarrollar un sistema más eficaz que las técnicas tradicionales.

A través de tomografías computarizadas (TC), se obtienen la mayor parte de los diagnósticos de neumonía provocados por COVID-19. Ante ello, el objetivo del informe científico “Modelo basado en aprendizaje profundo para detectar neumonía por coronavirus nuevo de 2019 en tomografía computarizada de alta resolución” publicado en Nature, fue desarrollar un algoritmo basado en aprendizaje profundo que permitiera detectar la neumonía relacionada a COVID-19 en TC de alta resolución. Para el desarrollo del modelo fueron recopiladas 46,096 imágenes de 106 pacientes del Hospital Renmin de la Universidad de Wuhan, incluidos 51 pacientes de neumonía por COVID-19.

Para probar el modelo se realizar pruebas externas con otros hospitales de China, por lo que los científicos determinaron que el modelo tiene una precisión por paciente de 95,24% y una precisión por imagen de 98,85%. Gracias a este modelo de aprendizaje profundo es posible que el tiempo de lectura de los radiólogos se reduzca hasta 65%, agilizando los diagnósticos y mejorando la eficiencia de la práctica clínica.

Antes de aplicar la herramienta de Inteligencia Artificial para apoyar al radiólogo experto el promedio de lectura para determinar neumonía viral a través de las imágenes de TC era de 11,2 segundos por paciente. Posteriormente tras utilizar la IA como apoyo, el experto volvió a leer las imágenes de TC de los 27 pacientes y logró un promedio aproximado de 40,64 segundos por caso.

El algoritmo está disponible de forma gratuita a través del siguiente enlace: https://github.com/endo-angel/ct-angel. A través de esta plataforma web, los especialistas tendrán acceso a imágenes por TC, como forma de apoyo para realizar un diagnóstico de neumonía más certero.

“La inteligencia artificial tiene un gran potencial para aliviar la presión de los radiólogos de primera línea, acelera el diagnóstico, el aislamiento y el tratamiento de los pacientes con COVID19 y, por lo tanto, contribuye al control de la epidemia”, explican los autores.

 

Para leer el informe completo ingresa al enlace siguiente: https://www.nature.com/articles/s41598-020-76282-0

Últimos tweets

Eventos más importantes en Salud Digital

2023 febrero

Semana 1

lun 30
mar 31
mié 1
jue 2
vie 3
sáb 4
dom 5
lun 6
mar 7
mié 8
jue 9
vie 10
sáb 11
dom 12
lun 13
mar 14
mié 15
jue 16
vie 17
sáb 18
dom 19
lun 20
mar 21
mié 22
jue 23
vie 24
sáb 25
dom 26
lun 27
mar 28
mié 1
jue 2
vie 3
sáb 4
dom 5
  • Sin Eventos

  • Sin Eventos

  • Sin Eventos

  • Sin Eventos

  • Sin Eventos

Comparte el contenido

Salud Digital en el mundo

  • — Science Brief: Omicron (B.1.1.529) Variant/ actualizaciones CDC
    Ver más
  • — Coronavirus resource center / Johns Hopkins
    Ver más
  • — Rastreo epidemiológico de contactos COVID-19 / Curso Johns Hopkins
    Ver más
  • — Comportamiento infección SARS-CoV-2 / Calculadora FCS
    Ver más
  • — Omicron SARS-CoV-2 variant: a new chapter in the COVID-19 pandemic/ Artículo The Lancet
    Ver más
  • — Genomic Epidemiology Tracker / GISAID
    Ver más
  • — Consorcio Mexicano de Vigilancia Genómica
    Ver más
error: Este contenido esta protegido...