Utilizamos cookies para comprender de qué manera utiliza nuestro sitio y para mejorar su experiencia. Esto incluye personalizar el contenido y la publicidad. Para más información, Haga clic. Si continua usando nuestro sitio, consideraremos que acepta que utilicemos cookies. Política de cookies.

MedImaging

Deascargar La Aplicación Móvil
Noticias Recientes Radiografía RM Ultrasonido Medicina Nuclear Imaginología General TI en Imaginología Industria

Algoritmo de diagnóstico médico de IA para análisis de imágenes de RM utiliza autoaprendizaje en todos los hospitales

Por el equipo editorial de MedImaging en español
Actualizado el 02 Sep 2022

La salud está siendo revolucionada actualmente por la inteligencia artificial. Con soluciones precisas de IA, los médicos pueden recibir apoyo en el diagnóstico. Sin embargo, tales algoritmos requieren una cantidad considerable de datos y los hallazgos del especialista radiológico asociado para el entrenamiento. Sin embargo, la creación de una base de datos central tan grande impone exigencias especiales a la protección de datos. Además, la creación de hallazgos y anotaciones, por ejemplo, el marcado de tumores en una imagen de resonancia magnética, requiere mucho tiempo. Para superar estos desafíos, los investigadores han desarrollado un algoritmo que puede aprender de forma independiente entre diferentes instituciones médicas. La característica clave del algoritmo es que es de "autoaprendizaje", es decir, no requiere hallazgos extensos que consumen mucho tiempo ni marcados por los radiólogos en las imágenes de resonancia magnética.

Un equipo multidisciplinario de la Universidad Técnica de Munich (TUM, Munich, Alemania) colaboró con otros médicos e investigadores para desarrollar un algoritmo de diagnóstico médico basado en IA para imágenes de resonancia magnética del cerebro, sin datos anotados o procesados por un radiólogo. Además, este algoritmo debía ser entrenado "federalmente": de esta manera, el algoritmo "viene a los datos", de modo que los datos de imágenes médicas que requieren una protección especial podrían permanecer en la clínica respectiva y no tener que recopilarse de forma centralizada. El algoritmo federado se entrenó en más de 1.500 exploraciones por RM de participantes sanos del estudio de cuatro instituciones, manteniendo la privacidad de los datos.


Imagen: El algoritmo de diagnóstico federado basado en IA aprende eficientemente en los hospitales con cumplimiento de protección de datos (Fotografía cortesía de Pexels)
Imagen: El algoritmo de diagnóstico federado basado en IA aprende eficientemente en los hospitales con cumplimiento de protección de datos (Fotografía cortesía de Pexels)

Luego, el algoritmo se usó para analizar más de 500 resonancias magnéticas de pacientes para detectar enfermedades como la esclerosis múltiple, la enfermedad vascular y varias formas de tumores cerebrales que el algoritmo nunca había visto antes. Esto abre nuevas posibilidades para desarrollar algoritmos federados eficientes basados en IA que aprenden de forma autónoma mientras protegen la privacidad. En su estudio, los investigadores pudieron demostrar que el algoritmo de IA federado que desarrollaron superó a cualquier algoritmo de IA entrenado utilizando datos de una sola institución. Para agrupar el conocimiento sobre las imágenes de resonancia magnética del cerebro, el equipo de investigación entrenó el algoritmo de IA en instituciones médicas diferentes e independientes sin violar la privacidad de los datos ni recopilarlos de forma centralizada. Al proteger los datos de los pacientes y al mismo tiempo reducir la carga de trabajo de los radiólogos, los investigadores creen que su tecnología de inteligencia artificial federada hará avanzar significativamente la medicina digital.

"Una vez que este algoritmo aprenda cómo se ven las imágenes de resonancia magnética del cerebro sano, le será más fácil detectar enfermedades. Para lograr esto, se requiere una agregación computacional inteligente y coordinación entre los institutos participantes", dijo el Prof. Dr. Albarqouni. PD Dr. Benedikt Wiestler, médico principal del Hospital Universitario de TUM, que participó en el estudio. "Entrenar el modelo con datos de diferentes centros contribuye significativamente al hecho de que nuestro algoritmo detecta enfermedades de manera mucho más sólida que otros algoritmos que solo se entrenan con datos de un centro".

 

 


Miembro Oro
Solid State Kv/Dose Multi-Sensor
AGMS-DM+
MRI System
uMR 588
New
Brachytherapy Planning System
Oncentra Brachy
New
Ultrasound System
Acclarix AX9

Últimas RM noticias

Imágenes de resonancia magnética de 0,55 T de campo bajo ofrecen utilidad diagnóstica similar a la de 1,5 T para exploraciones abdominales

Secuencia de resonancia magnética acelerada ayuda a radiólogos a evaluar enfermedades cardíacas sin contener la respiración

Prueba de resonancia magnética de 60 segundos ayuda a diagnosticar más fácilmente el fallo de derivación en niños con hidrocefalia