Cr\u00e9dito: Unsplash\/CC0 Dominio p\u00fablico <\/p>\n
Investigadores de la Escuela de Ingenier\u00eda Biom\u00e9dica y Ciencias de Im\u00e1genes del King’s College de Londres han desarrollado un marco de aprendizaje profundo basado en redes neuronales convolucionales para marcar anomal\u00edas cl\u00ednicamente relevantes en el momento de la obtenci\u00f3n de im\u00e1genes, en exploraciones de resonancia magn\u00e9tica de cabeza ponderadas en T2 axiales m\u00ednimamente procesadas, rutinarias y de grado hospitalario. Sus resultados fueron publicados en Medical Image Analysis. <\/p>\n
El trabajo fue motivado por retrasos en el informe de escaneos en hospitales. La creciente demanda nacional e internacional de resonancias magn\u00e9ticas, junto con la escasez de radi\u00f3logos, han llevado a un aumento en el tiempo necesario para informar las resonancias magn\u00e9ticas de la cabeza en los \u00faltimos a\u00f1os.<\/p>\n
Los retrasos provocan el efecto colateral de que lleva m\u00e1s tiempo administrar el tratamiento correcto a los pacientes y, por lo tanto, peores resultados para los pacientes y costos de atenci\u00f3n m\u00e9dica inflados.<\/p>\n
\u00abNuestro modelo puede reducir los tiempos de notificaci\u00f3n de ex\u00e1menes anormales al marcar con precisi\u00f3n las anomal\u00edas en el momento de la obtenci\u00f3n de im\u00e1genes, lo que permite que los departamentos de radiolog\u00eda prioricen los recursos limitados para informar estos escaneos primero. Esto acelerar\u00eda la intervenci\u00f3n del equipo cl\u00ednico de referencia\u00bb, dice el autor principal, el Dr. David Wood, investigador asociado de la Escuela de Ingenier\u00eda Biom\u00e9dica y Ciencias de la Imagen.<\/p>\n
En un estudio de simulaci\u00f3n con datos retrospectivos del King’s College Hospital (KCH) y Guy’s and St Thomas’ NHS Foundation Trust (GSTT), los investigadores encontraron que su modelo redujo los tiempos de espera para los informes de pacientes con anomal\u00edas en aproximadamente dos semanas, de 28 d\u00edas a 14 d\u00edas y de 9 d\u00edas a 5 d\u00edas.<\/p>\n
Los logros actuales est\u00e1n respaldados por un modelo reciente que aborda un problema existente que bloquea los desarrollos generales en la aplicaci\u00f3n de profunda aprender a obtener im\u00e1genes: la dificultad de obtener conjuntos de datos grandes, cl\u00ednicamente representativos y etiquetados con precisi\u00f3n.<\/p>\n
Si bien es posible acceder a grandes conjuntos de datos hospitalarios, los datos generalmente no est\u00e1n etiquetados. El marco de aprendizaje profundo basado en redes neuronales convolucionales utilizado en el estudio actual para se\u00f1alar anomal\u00edas cl\u00ednicamente relevantes en el momento de la obtenci\u00f3n de im\u00e1genes no podr\u00eda haberse desarrollado sin este trabajo anterior que permiti\u00f3 el etiquetado de conjuntos de datos de resonancia magn\u00e9tica de la cabeza a escala.<\/p>\n
En el art\u00edculo actual, otro paso adelante hacia la traducci\u00f3n cl\u00ednica es que los investigadores utilizan resonancias magn\u00e9ticas de la cabeza axiales ponderadas en T2 de grado hospitalario de rutina que se han sometido a poco procesamiento antes del an\u00e1lisis de clasificaci\u00f3n.<\/p>\n
Esto significa que las resonancias magn\u00e9ticas de la cabeza pueden pueden usarse en la forma en que llegan del esc\u00e1ner, lo que reduce de minutos a segundos el tiempo que de otro modo se dedicar\u00eda a procesar las im\u00e1genes, pero tambi\u00e9n permite detectar m\u00e1s anomal\u00edas en otras \u00e1reas capturadas por la resonancia magn\u00e9tica de la cabeza, como enfermedades en el cr\u00e1neo, y alrededor de los ojos y la nariz. La veloci El mismo equipo ahora ha creado y validado un nuevo modelo de aprendizaje autom\u00e1tico que puede clasificar las resonancias magn\u00e9ticas de la cabeza para que las exploraciones anormales puedan estar al frente de la cola para la generaci\u00f3n de informes. El beneficio potencial para los pacientes y los sistemas de atenci\u00f3n m\u00e9dica es enorme\u00bb, dice el autor principal, el Dr. Thomas Booth, profesor titular de neuroimagen en la Escuela de Ingenier\u00eda Biom\u00e9dica y Ciencias de la Imagen y neurorradi\u00f3logo consultor de diagn\u00f3stico e intervenci\u00f3n en el King’s College Hospital <\/p>\n
Explore m\u00e1s<\/p>\n
Nueva herramienta de detecci\u00f3n desarrollada para identificar autom\u00e1ticamente cerebros que parecen m\u00e1s viejos t\u00edpicos de la demencia M\u00e1s informaci\u00f3n:<\/strong> David A. Wood et al, Deep learning models for triaging hospital head MRI exams, Medical Image Analysis (2022). DOI: 10.1016\/j.media.2022.102391 Proporcionado por King’s College London Cita<\/strong>: El nuevo modelo de aprendizaje autom\u00e1tico detecta escaneos cerebrales anormales en tiempo real (21 de febrero de 2022) consultado el 29 de agosto de 2022 en https:\/\/ medicalxpress.com\/news\/2022-02-machine-flags-abnormal-brain-scans.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":" Cr\u00e9dito: Unsplash\/CC0 Dominio p\u00fablico Investigadores de la Escuela de Ingenier\u00eda Biom\u00e9dica y Ciencias de Im\u00e1genes del King’s College de Londres han desarrollado un marco de aprendizaje profundo basado en redes neuronales convolucionales para marcar anomal\u00edas cl\u00ednicamente relevantes en el momento de la obtenci\u00f3n de im\u00e1genes, en exploraciones de resonancia magn\u00e9tica de cabeza ponderadas en T2 … Continuar leyendo \u00abNuevo modelo de aprendizaje autom\u00e1tico detecta escaneos cerebrales anormales en tiempo real\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-8070","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/8070","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=8070"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/8070\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=8070"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=8070"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=8070"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}