Figura 2. Comparaci\u00f3n del principio del algoritmo entre CARE y un sistema de aprendizaje profundo ensamblado clasificador (A). Esta estructura se seleccion\u00f3 como un sistema de aprendizaje profundo ensamblado con clasificadores binarios independientes que no comparten caracter\u00edsticas de enfermedad (B). CARE=Experto Integral en Retina de Inteligencia Artificial. Conv=convolucional. RD = retinopat\u00eda diab\u00e9tica. HR=retinopat\u00eda hipertensiva. RD=desprendimiento de retina. Cr\u00e9dito: DOI: 10.1016\/S2589-7500(21)00086-8 <\/p>\n
Un grupo internacional de investigadores ha aplicado con \u00e9xito la tecnolog\u00eda de inteligencia artificial a las im\u00e1genes de la retina del mundo real para detectar posibles enfermedades con mayor precisi\u00f3n y a mayor escala. <\/p>\n
Los ex\u00e1menes de la retina pueden detectar una serie de enfermedades que afectan al ojo. La fotograf\u00eda de fondo de ojo es un proceso de tomar fotograf\u00edas del interior del ojo a trav\u00e9s de la pupila y es una forma de detectar y controlar dichas enfermedades de la retina.<\/p>\n
La introducci\u00f3n de la tecnolog\u00eda de inteligencia artificial (IA) en la fotograf\u00eda de fondo de ojo ha mejorado la plataforma y le permiti\u00f3 detectar y monitorear enfermedades de la retina a gran escala.<\/p>\n
El sistema Comprehensive AI Retinal Expert (CARE) fue desarrollado por un grupo internacional de investigadores de la Universidad Sun Yat-sen, Beijing Eaglevision Technology (Airdoc), Monash University, University of Miami Miller School of Medicine, Beijing Tongren Eye Center y Capital Medical University.<\/p>\n
Profesor asociado Zongyuan Ge del Departamento de Ingenier\u00eda de Sistemas El\u00e9ctricos e Inform\u00e1ticos de Monash University y Monash Data Futures Institute, dijo que los investigadores entrenaron un sistema de aprendizaje profundo cl\u00ednicamente aplicable para enfermedades del fondo del ojo utilizando datos derivados de estudios de casos del mundo real, y luego probaron el modelo de forma externa usi ng fotograf\u00edas de fondo de ojo recopiladas de entornos cl\u00ednicos en China.<\/p>\n
\u00abEl sistema CARE fue entrenado para identificar las 14 anomal\u00edas retinianas m\u00e1s comunes utilizando 207\u00a0228 fotograf\u00edas de fondo de ojo en color derivadas de 16 entornos cl\u00ednicos en Asia, \u00c1frica, Am\u00e9rica del Norte y Europa , con diferentes distribuciones de enfermedades\u00bb, dijo el profesor asociado Ge.<\/p>\n
\u00abCARE fue validado internamente usando 21\u00a0867 fotograf\u00edas y probado externamente usando 18\u00a0136 fotograf\u00edas recolectadas prospectivamente de 35 entornos del mundo real en China, incluidos ocho hospitales terciarios, seis hospitales comunitarios y 21 centros de examen f\u00edsico\u00bb.<\/p>\n
Los investigadores esperan que CARE se adopte en entornos m\u00e9dicos en toda China y m\u00e1s tarde en la regi\u00f3n de Asia Pac\u00edfico.<\/p>\n
El desempe\u00f1o de CARE fue adem\u00e1s se compar\u00f3 con el de 16 oftalm\u00f3logos y se prob\u00f3 utilizando conjuntos de datos con etnias no chinas y tipos de c\u00e1mara no utilizados anteriormente.<\/p>\n
\u00abTambi\u00e9n descubrimos que el rendimiento del sistema CARE era similar al del sistema CARE. de oftalm\u00f3logos profesionales y el sistema mantuvo un s\u00f3lido rendimiento de identificaci\u00f3n cuando se prob\u00f3 con conjuntos de datos no chinos. Estos hallazgos indican que el sistema es preciso en comparaci\u00f3n con los resultados de un profesional y podr\u00eda permitir que se realicen m\u00e1s pruebas a mayor escala\u00bb, agreg\u00f3 el profesor asociado Ge.<\/p>\n
\u00abEsta investigaci\u00f3n es un paso en la direcci\u00f3n correcta para la investigaci\u00f3n m\u00e9dica y de inteligencia artificial. Espero que a trav\u00e9s de este trabajo podamos seguir viendo avances tecnol\u00f3gicos en este espacio\u00bb, dijo Amitha Domalpally, directora del Centro de Diagn\u00f3stico por Im\u00e1genes de la Universidad de Wisconsin-Madison.<\/p>\n
La investigaci\u00f3n tambi\u00e9n crear\u00e1 una base de datos de Im\u00e1genes de detecci\u00f3n de entornos del mundo real que se pueden implementar en entornos cl\u00ednicos para diagnosticar mejor las enfermedades de la retina. <\/p>\n
Explore m\u00e1s<\/p>\n
El novedoso m\u00e9todo de aprendizaje profundo permite la detecci\u00f3n automatizada lista para la cl\u00ednica de enfermedades oculares relacionadas con la diabetes M\u00e1s informaci\u00f3n:<\/strong> Duoru Lin et al, Aplicaci\u00f3n del sistema completo de expertos en retina de inteligencia artificial (CARE): un estudio nacional de evidencia del mundo real, The Lancet Digital Health (2021). DOI: 10.1016\/S2589-7500(21)00086 -8 Proporcionado por Monash University Cita<\/strong>: Detecci\u00f3n de enfermedades de la retina con tecnolog\u00eda avanzada de IA (11 de octubre de 2021) recuperado el 29 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2021-10-retinal-diseases -advanced-ai-technology.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":" Figura 2. Comparaci\u00f3n del principio del algoritmo entre CARE y un sistema de aprendizaje profundo ensamblado clasificador (A). Esta estructura se seleccion\u00f3 como un sistema de aprendizaje profundo ensamblado con clasificadores binarios independientes que no comparten caracter\u00edsticas de enfermedad (B). CARE=Experto Integral en Retina de Inteligencia Artificial. Conv=convolucional. RD = retinopat\u00eda diab\u00e9tica. HR=retinopat\u00eda hipertensiva. RD=desprendimiento … Continuar leyendo \u00abDetecci\u00f3n de enfermedades de la retina con tecnolog\u00eda avanzada de inteligencia artificial\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-971","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/971","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=971"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/971\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=971"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=971"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=971"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}