La 106ª edición del congreso RSNA, que tuvo lugar del 29 de noviembre al 5 de diciembre, acogió una gran participación, a pesar de realizarse de manera virtual a causa de la situación sanitaria por Covid-19. En ella más de 105 expositores presentaron novedades y avances en productos de IA de los que resumimos los más destacados.

Una nueva herramienta automatizada puede predecir ataques cardíacos y accidentes cerebrovasculares a partir de TC abdominales

Dicha herramienta podría leer tomografías computarizadas abdominales y proporcionar mediciones mejoradas de la composición corporal para predecir mejor los ataques cardíacos y los accidentes cerebrovasculares en comparación con el índice de masa corporal o el peso total.

Según el estudio realizado a partir de 33.000 tomografías computarizadas de abdomen realizadas en 23.136 pacientes, se pudo concluir que personas con el mismo IMC pueden tener proporciones marcadamente diferentes de músculo y grasa, y que son estas diferencias las que pueden marcar una variedad de resultados en la salud, según Kirti Magudia, MD, PhD, investigadora de imágenes abdominales y ecografía en UCSF.

Tras diferentes análisis de la herramienta, se pudo concluir que el área de grasa visceral se asoció de forma independiente con un futuro ataque cardíaco y accidente cerebrovascular de los pacientes analizados, mientras que el IMC no se asoció con ninguno de los dos.

“Estos resultados demuestran que las medidas precisas de los compartimentos de grasa y músculo corporal logradas a través de la TC superan a los biomarcadores tradicionales para predecir el riesgo de resultados cardiovasculares”, anotó Magudia. Asimismo, afirmó que esta herramienta automatizada para el análisis de la composición corporal se puede aplicar a proyectos de investigación a gran escala.

Como resultado de sus hallazgos, se dotó a la investigadora del premio RSNA 2020 Trainee Research Prize.

El examen de la vista podría proporcionar un diagnóstico temprano de la enfermedad de Parkinson

Un simple examen de la vista no invasivo combinado con redes de aprendizaje automático podría proporcionar un diagnóstico temprano de la enfermedad de Parkinson, según una investigación de un equipo de la Universidad de Florida.

La enfermedad de Parkinson, un trastorno progresivo del sistema nervioso central, es difícil de diagnosticar en una etapa temprana. Los pacientes suelen desarrollar síntomas como temblores, rigidez muscular y deterioro del equilibrio en un estado más avanzado y cuando ya se ha producido una lesión significativa en las neuronas cerebrales de dopamina.

Teniendo en cuenta que la degradación de estas células nerviosas deriva en el adelgazamiento de las paredes de la retina y en la microvasculatura retiniana, se ha utilizado el aprendizaje automático para analizar imágenes del fondo de ojo con el fin de detectar indicadores tempranos de la enfermedad de Parkinson.

“El hallazgo más importante de este estudio fue que se diagnosticó una enfermedad cerebral con una imagen básica del ojo. Puede hacerlo en menos de un minuto y el costo del equipo es mucho menor que el de una máquina de tomografía computarizada o resonancia magnética ”, dice el autor principal del estudio, Maximillian Díaz. “Si podemos hacer que esta sea una prueba de detección anual, entonces la esperanza es que podamos detectar más casos antes, lo que puede ayudarnos a comprender mejor la enfermedad y encontrar una cura o una forma de ralentizar la progresión”.

El modelo de aprendizaje profundo ayuda a detectar la tuberculosis

El diagnóstico temprano de la tuberculosis es crucial para permitir tratamientos efectivos, pero esto puede resultar un desafío para los países de escasos recursos con escasez de radiólogos. Para abordar este obstáculo, Po-Chih Kuo, del Instituto de Tecnología de Massachusetts, y sus colegas han desarrollado un modelo de detección de tuberculosis basado en el aprendizaje profundo. El modelo, llamado TBShoNet, analiza fotografías de radiografías de tórax tomadas por la cámara de un teléfono.

Los investigadores preentrenaron la red neuronal en una base de datos que contenía 250.044 radiografías de tórax con 14 etiquetas pulmonares, que no incluían tuberculosis. Después, el modelo se recalibró para las fotografías de rayos X de tórax mediante el uso de métodos de simulación para aumentar el conjunto de datos. Finalmente, el equipo construyó TBShoNet conectando el modelo previamente entrenado a una red neuronal de 2 capas adicional entrenada en imágenes aumentadas de rayos X de tórax.

El equipo de Po-Chih Kuo considera que TBShoNet proporciona un método para desarrollar un algoritmo que se puede implementar en teléfonos para ayudar a los proveedores de atención médica en áreas donde los radiólogos y las imágenes digitales de alta resolución no están disponibles.