Ejemplos de secuencias FLAIR axiales de estudios dentro del conjunto de datos A. De izquierda a derecha: un paciente con un cerebro \u00abprobablemente normal\u00bb; un paciente que presenta una hemorragia intraparenquimatosa en el l\u00f3bulo temporal derecho; un paciente que presenta un infarto agudo de la divisi\u00f3n inferior de la arteria cerebral media derecha; y un paciente con neurocisticercosis conocida que presenta una lesi\u00f3n qu\u00edstica redondeada en la circunvoluci\u00f3n frontal media izquierda. Cr\u00e9dito: Sociedad Radiol\u00f3gica de Am\u00e9rica del Norte <\/p>\n
Un sistema impulsado por inteligencia artificial que analiza autom\u00e1ticamente las resonancias magn\u00e9ticas del cerebro en busca de anomal\u00edas podr\u00eda acelerar la atenci\u00f3n a quienes m\u00e1s lo necesitan, seg\u00fan un estudio publicado en Radiology: Artificial Intelligence. <\/p>\n
La resonancia magn\u00e9tica produce im\u00e1genes detalladas del cerebro que ayudan a los radi\u00f3logos a diagnosticar diversas enfermedades y da\u00f1os por eventos como un accidente cerebrovascular o una lesi\u00f3n en la cabeza. Su uso creciente ha llevado a una sobrecarga de im\u00e1genes que presenta una necesidad urgente de mejorar el flujo de trabajo radiol\u00f3gico. La identificaci\u00f3n autom\u00e1tica de hallazgos anormales en im\u00e1genes m\u00e9dicas ofrece una soluci\u00f3n potencial, que permite mejorar la atenci\u00f3n al paciente y acelerar el alta del paciente.<\/p>\n
\u00abCada vez se realizan m\u00e1s resonancias magn\u00e9ticas, no solo en el hospital sino tambi\u00e9n para pacientes ambulatorios , por lo que existe una necesidad real de mejorar el flujo de trabajo de radiolog\u00eda\u00bb, dijo el coautor principal del estudio, Romane Gauriau, Ph.D., excient\u00edfico de aprendizaje autom\u00e1tico en el Hospital General de Massachusetts y el Centro de Ciencia de Datos Cl\u00ednicos del Hospital Brigham and Women’s en Boston. \u00abUna forma de hacerlo es automatizar parte del proceso y tambi\u00e9n ayudar al radi\u00f3logo a priorizar los diferentes ex\u00e1menes\u00bb.<\/p>\n
Dr. Gauriau, junto con el coautor Bernardo C. Bizzo, MD, Ph.D., y colegas, y en sociedad con Diagnosticos da America SA (DASA), una compa\u00f1\u00eda de diagn\u00f3stico m\u00e9dico en Brasil, desarroll\u00f3 un sistema automatizado para clasificar la resonancia magn\u00e9tica cerebral escanea como \u00abprobablemente normal\u00bb o \u00abprobablemente anormal\u00bb. El enfoque se basa en una red neuronal convolucional (CNN), un tipo sofisticado de IA que permite que el modelo aprenda directamente de las im\u00e1genes.<\/p>\n
Los investigadores entrenaron y validaron el algoritmo en tres grandes conjuntos de datos que suman m\u00e1s de 9000 ex\u00e1menes recopilados de diferentes instituciones en dos continentes diferentes.<\/p>\n
En las pruebas preliminares, el modelo mostr\u00f3 un rendimiento relativamente bueno para diferenciar ex\u00e1menes probablemente normales o probablemente anormales. La prueba en un conjunto de datos de validaci\u00f3n adquirido en un per\u00edodo de tiempo diferente y de una instituci\u00f3n diferente a los datos utilizados para entrenar el algoritmo destac\u00f3 la capacidad de generalizaci\u00f3n del modelo. Seg\u00fan el Dr. Gauriau, dicho sistema podr\u00eda usarse como una herramienta de clasificaci\u00f3n, con el potencial de mejorar el flujo de trabajo de radiolog\u00eda.<\/p>\n
\u00abEl problema que estamos tratando de abordar es muy, muy complejo porque hay una enorme variedad de anormalidades en la resonancia magn\u00e9tica\u00bb, dijo. \u00abDemostramos que este modelo es lo suficientemente prometedor como para comenzar a evaluar si se puede usar en un entorno cl\u00ednico\u00bb.<\/p>\n
Se ha demostrado que modelos similares mejoran significativamente el tiempo de respuesta para la identificaci\u00f3n de anomal\u00edas en tomograf\u00edas computarizadas de cabeza y t\u00f3rax. Rayos X. El nuevo modelo tiene el potencial de beneficiar a\u00fan m\u00e1s la atenci\u00f3n ambulatoria mediante la identificaci\u00f3n de hallazgos incidentales. Un hallazgo incidental es una anomal\u00eda que no est\u00e1 relacionada con la raz\u00f3n por la que el m\u00e9dico orden\u00f3 la prueba.<\/p>\n
\u00abDigamos que se cay\u00f3 y se golpe\u00f3 la cabeza, luego fue al hospital y ordenaron una resonancia magn\u00e9tica del cerebro\u00bb, dijo el Dr. Gauriau. . \u00abEste algoritmo podr\u00eda detectar si tiene una lesi\u00f3n cerebral por la ca\u00edda, pero tambi\u00e9n puede detectar un hallazgo inesperado, como un tumor cerebral. Tener esa capacidad realmente podr\u00eda ayudar a mejorar la atenci\u00f3n al paciente\u00bb.<\/p>\n
El trabajo fue el primero de su tipo en aprovechar un conjunto de datos grande y cl\u00ednicamente relevante y utilizar datos de resonancia magn\u00e9tica de volumen completo para detectar anomal\u00edas cerebrales generales. Los pr\u00f3ximos pasos en la investigaci\u00f3n incluyen evaluar la utilidad cl\u00ednica del modelo y el valor potencial para los radi\u00f3logos. A los investigadores tambi\u00e9n les gustar\u00eda desarrollarlo m\u00e1s all\u00e1 de los resultados binarios de \u00abprobablemente normal\u00bb o \u00abprobablemente anormal\u00bb.<\/p>\n
\u00abDe esta manera, no solo podr\u00edamos tener resultados binarios, sino quiz\u00e1s algo para caracterizar mejor los tipos de hallazgos, por ejemplo, si es m\u00e1s probable que la anomal\u00eda est\u00e9 relacionada con un tumor o con una inflamaci\u00f3n\u00bb, dijo el Dr. Gauriau. \u00abTambi\u00e9n podr\u00eda ser muy \u00fatil con fines educativos\u00bb.<\/p>\n
Actualmente se est\u00e1 realizando una evaluaci\u00f3n adicional en un entorno cl\u00ednico controlado en Brasil con los colaboradores de investigaci\u00f3n de DASA. <\/p>\n
Explore m\u00e1s<\/p>\n
Los radi\u00f3logos utilizan el aprendizaje profundo para encontrar signos de COVID-19 en radiograf\u00edas de t\u00f3rax M\u00e1s informaci\u00f3n:<\/strong> Romane Gauriau et al. Un modelo basado en el aprendizaje profundo para detectar anomal\u00edas en la resonancia magn\u00e9tica cerebral para la clasificaci\u00f3n: resultados preliminares de una experiencia en varios sitios, Radiolog\u00eda: inteligencia artificial (2021). DOI: 10.1148\/ryai.2021200184 Proporcionado por la Sociedad Radiol\u00f3gica de Am\u00e9rica del Norte Cita<\/strong>: El sistema basado en IA podr\u00eda ayudar a clasificar las resonancias magn\u00e9ticas cerebrales (21 de abril de 2021) recuperado el 30 de agosto de 2022 de https:\/\/medicalxpress.com \/news\/2021-04-ai-based-triage-brain-mris.html Este documento est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Ejemplos de secuencias FLAIR axiales de estudios dentro del conjunto de datos A. De izquierda a derecha: un paciente con un cerebro \u00abprobablemente normal\u00bb; un paciente que presenta una hemorragia intraparenquimatosa en el l\u00f3bulo temporal derecho; un paciente que presenta un infarto agudo de la divisi\u00f3n inferior de la arteria cerebral media derecha; y un … Continuar leyendo \u00abEl sistema basado en IA podr\u00eda ayudar a clasificar las resonancias magn\u00e9ticas cerebrales\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-20118","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/20118","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=20118"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/20118\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=20118"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=20118"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=20118"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}