AbdomenAtlas: un avance en la detección temprana del cáncer abdominal

• curecompass
• 8 febrero, 2025
• I+D, Salud, Tecnología
• AbdomenAtlas, Inteligencia Artificial, John Hopkins University, Portada, TotalSegmentator
• 0 Comments

Un equipo internacional liderado por la Universidad Johns Hopkins ha desarrollado AbdomenAtlas, el conjunto de datos de tomografías computarizadas (TC) abdominales más grande hasta la fecha, que promete mejorar la detección temprana de cánceres abdominales.

Radiologistas están comenzando a utilizar modelos de visión por computadora basados en inteligencia artificial (IA) para agilizar el laborioso proceso de análisis de escaneos médicos. Sin embargo, estos modelos requieren grandes cantidades de datos de entrenamiento cuidadosamente etiquetados para lograr resultados consistentes y precisos, lo que significa que los radiólogos aún deben dedicar tiempo significativo a la anotación de imágenes médicas.

Un equipo internacional liderado por el Profesor distinguido Alan Yuille de la Universidad Johns Hopkins ha presentado una solución: AbdomenAtlas, el conjunto de datos de TC abdominales más grande hasta la fecha, que cuenta con más de 45,000 escaneos 3D de 142 estructuras anatómicas anotadas, provenientes de 145 hospitales en todo el mundo.

Este conjunto es más de 36 veces más grande que su competidor más cercano, TotalSegmentator V2.

Anteriormente, los conjuntos de datos de órganos abdominales se compilaban mediante la identificación y etiquetado manual de órganos individuales en escaneos TC por parte de radiólogos, lo que requería miles de horas de trabajo humano.

Para abordar este desafío monumental, el equipo utilizó algoritmos de IA para acelerar drásticamente esta tarea de etiquetado de órganos. Trabajando con 12 radiólogos expertos y otros médicos en formación, completaron en menos de dos años un proyecto que habría llevado a los humanos solos más de dos milenios.

El método desarrollado combina tres modelos de IA entrenados en conjuntos de datos públicos de escaneos abdominales etiquetados para predecir anotaciones para conjuntos de datos no etiquetados.

Utilizando mapas de atención codificados por colores para resaltar áreas que necesitan refinamiento, el método identifica las secciones más críticas de las predicciones de los modelos para su revisión manual por parte de los radiólogos.

Al repetir este proceso—predicción de IA seguida de revisión humana—el equipo pudo crear un conjunto de datos de TC abdominales anotados a gran escala.

Este avance no solo tiene el potencial de mejorar la detección temprana de cánceres abdominales, sino que también puede acelerar el desarrollo de modelos de IA más precisos para el análisis de imágenes médicas en general.

La integración de la IA en la radiología promete transformar la práctica clínica, permitiendo diagnósticos más rápidos y precisos, y, en última instancia, mejores resultados para los pacientes.