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 mejoró la calidad de imágenes de resonancia magnética

Un nuevo estudio llevado a cabo por investigadores de Reino Unido, muestra un modelo de visión por computadora capaz de mejorar la calidad de imágenes por resonancia magnética.

Científicos británicos, publicaron el estudio “Modelos de aprendizaje profundo para clasificar los exámenes de resonancia magnética de cabeza”. El estudio explica que la problemática de los retrasos en informes radiológicos puede derivar en peores resultados para los pacientes y altos costos de atención médica. Por ello desarrollaron un modelo de aprendizaje profundo para la detección de anomalías clínicamente relevantes en exploraciones de resonancia magnética de cabeza.

Estos modelos fueron entrenados a través de un clasificador de informes de neurorradiología, y generaron un conjunto de datos de casi 70 mil exámenes de dos redes de hospitales de Reino Unido. El modelo demostró una clasificación rápida precisa e interpretable.

El modelo fue puesto a prueba a través de un estudio de simulación, en el que mostró que el modelo reduciría considerablemente el tiempo de notificación de exámenes en ambas redes de hospitales, demostrando viabilidad para su uso clínico.

“Demostramos una clasificación precisa, interpretable, robusta y generalizable en un conjunto de escaneos reservados etiquetados por un equipo de neuro radiólogos, y hemos demostrado que el modelo reduciría el tiempo para informar exámenes anormales en ambas redes hospitalarias, lo que demuestra la viabilidad como triaje automatizado. Herramienta”, concluyen los autores en el estudio.

Puedes consultar el estudio completo en este enlace: https://www.sciencedirect.com/science/article/pii/S1361841522000433?via%3Dihub

Noticias destacadas

Noticias por país

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
Secured By miniOrange