Un centro clínico de los NIH libera el conjunto de datos de imágenes de tomografía computarizada
Por el equipo editorial de HospiMedica en español Actualizado el 06 Sep 2018 |
Imagen: Inclusión de una lesión visualizada en el conjunto de prueba DeepLesion (Fotografía cortesía de los NIH).
DeepLesion, un conjunto de datos a gran escala de imágenes de TC compiladas por el Centro Clínico de los Institutos Nacionales de Salud de los EUA (NIH, Bethesda, MD, EUA), se ha puesto a disposición del público para ayudar a la comunidad científica a mejorar la exactitud para la detección de lesiones. DeepLesion incluye un conjunto de datos con 32.735 lesiones en 32.120 cortes de TC de 10.594 estudios de 4.427 pacientes, únicos, anónimos, cuyas imágenes de TC se enviaron a los radiólogos en el Centro Clínico de los NIH para su interpretación.
Los radiólogos de los NIH midieron y marcaron los hallazgos clínicamente significativos con la ayuda de una herramienta de marcador electrónico compleja que proporciona flechas, líneas, diámetros y texto que pueden indicar la ubicación exacta y el tamaño de una lesión para que los expertos puedan identificar el crecimiento o una nueva enfermedad. Los marcadores, incluida una gama de datos médicos retrospectivos, se usaron para desarrollar el conjunto de datos DeepLesion. A diferencia de la mayoría de los conjuntos de datos de imágenes médicas de lesiones actualmente disponibles, que solo pueden detectar un tipo de lesión, la base de datos contiene todos los hallazgos radiológicos críticos, como nódulos pulmonares, tumores hepáticos, ganglios linfáticos agrandados, etc.
El conjunto de datos publicado es lo suficientemente grande como para formar una red neuronal profunda, que podría permitir a la comunidad científica crear un detector de lesiones universales a gran escala con un marco unificado, que eventualmente podría servir como una herramienta de detección inicial para otros sistemas especializados entrenados en ciertos tipos de lesiones. Además, DeepLesion marca múltiples hallazgos en una imagen de tomografía computarizada, lo que permite a los investigadores analizar su relación para hacer nuevos descubrimientos, permitiendo la evaluación de la carga tumoral en todo el cuerpo. DeepLesion se introdujo en un estudio publicado el 20 de julio de 2018 en la revista Journal of Medical Imaging.
“Se han recopilado grandes cantidades de anotaciones clínicas y se han almacenado en los sistemas de archivo y comunicación de imágenes de los hospitales. Estos tipos de anotaciones, también conocidos como marcadores, generalmente son marcados por radiólogos durante su flujo de trabajo diario para resaltar hallazgos significativos de la imagen que pueden servir como referencia para estudios posteriores”, dijeron el autor principal, Ronald Summers, MD, PhD, y sus colegas. “Proponemos extraer y cosechar estos abundantes datos médicos retrospectivos para construir un conjunto de datos de imágenes de lesiones a gran escala”.
“En el futuro, el Centro Clínico de los NIH espera seguir mejorando el conjunto de datos DeepLesion mediante la recopilación de más datos, mejorando así su exactitud de detección”, afirmó el NIH en un comunicado de prensa. “La capacidad de detección universal de lesiones se volverá más confiable una vez que los investigadores puedan aprovechar la información en 3D y del tipo de lesiones. Es posible ampliar aún más DeepLesion a otras modalidades de imagenología como la resonancia magnética y, además, combinar datos de varios hospitales”.
Enlace relacionado:
Centro Clínico de los Institutos Nacionales de Salud de los EUA
Los radiólogos de los NIH midieron y marcaron los hallazgos clínicamente significativos con la ayuda de una herramienta de marcador electrónico compleja que proporciona flechas, líneas, diámetros y texto que pueden indicar la ubicación exacta y el tamaño de una lesión para que los expertos puedan identificar el crecimiento o una nueva enfermedad. Los marcadores, incluida una gama de datos médicos retrospectivos, se usaron para desarrollar el conjunto de datos DeepLesion. A diferencia de la mayoría de los conjuntos de datos de imágenes médicas de lesiones actualmente disponibles, que solo pueden detectar un tipo de lesión, la base de datos contiene todos los hallazgos radiológicos críticos, como nódulos pulmonares, tumores hepáticos, ganglios linfáticos agrandados, etc.
El conjunto de datos publicado es lo suficientemente grande como para formar una red neuronal profunda, que podría permitir a la comunidad científica crear un detector de lesiones universales a gran escala con un marco unificado, que eventualmente podría servir como una herramienta de detección inicial para otros sistemas especializados entrenados en ciertos tipos de lesiones. Además, DeepLesion marca múltiples hallazgos en una imagen de tomografía computarizada, lo que permite a los investigadores analizar su relación para hacer nuevos descubrimientos, permitiendo la evaluación de la carga tumoral en todo el cuerpo. DeepLesion se introdujo en un estudio publicado el 20 de julio de 2018 en la revista Journal of Medical Imaging.
“Se han recopilado grandes cantidades de anotaciones clínicas y se han almacenado en los sistemas de archivo y comunicación de imágenes de los hospitales. Estos tipos de anotaciones, también conocidos como marcadores, generalmente son marcados por radiólogos durante su flujo de trabajo diario para resaltar hallazgos significativos de la imagen que pueden servir como referencia para estudios posteriores”, dijeron el autor principal, Ronald Summers, MD, PhD, y sus colegas. “Proponemos extraer y cosechar estos abundantes datos médicos retrospectivos para construir un conjunto de datos de imágenes de lesiones a gran escala”.
“En el futuro, el Centro Clínico de los NIH espera seguir mejorando el conjunto de datos DeepLesion mediante la recopilación de más datos, mejorando así su exactitud de detección”, afirmó el NIH en un comunicado de prensa. “La capacidad de detección universal de lesiones se volverá más confiable una vez que los investigadores puedan aprovechar la información en 3D y del tipo de lesiones. Es posible ampliar aún más DeepLesion a otras modalidades de imagenología como la resonancia magnética y, además, combinar datos de varios hospitales”.
Enlace relacionado:
Centro Clínico de los Institutos Nacionales de Salud de los EUA
Últimas TI noticias
- Modelo de aprendizaje automático mejora predicción del riesgo de mortalidad para pacientes de cirugía cardíaca
- Colaboración estratégica para desarrollar e integrar IA generativa en el cuidado de la salud
- Solución de quirófanos habilitada para IA ayuda a hospitales a maximizar la utilización y desbloquear la capacidad
- IA predice cáncer de páncreas tres años antes del diagnóstico a partir de registros médicos de los pacientes
- Primer sistema de autorizaciones médicas personalizadas de IA generativa totalmente autónoma reduce el retraso en la atención
- Según un estudio, registros médicos electrónicos pueden ser clave para mejorar la atención al paciente
- IA entrenada para biomarcadores vocales específicos podría predecir con precisión enfermedad de arterias coronarias
- Inteligencia artificial detecta las fracturas en los rayos X con exactitud
- Lectura capacitada por IA aumenta la exactitud de la mamografía
- Herramienta estadística predice los picos de COVID-19 en todo el mundo
- Sistema inteligente para detectar la fiebre y los contactos ayuda a que los negocios puedan reabrir
- Tecnología nueva permite la identificación a través de una máscara
- Servicio de ciberseguridad protege los dispositivos médicos de ataques
- Inteligencia artificial puede detectar los niveles de glucosa a través del ECG
- Implante neural suave de control inalámbrico estimula las células del cerebro
- Stent pequeño de polímero podría tratar las estenosis uretrales pediátricas