AMIGOS UNIVERSIDAD DE TEL AVIV
Buenos Aires, Sábado 21 de Octubre de 2017
Contáctenos

(+5411) 4833.7090
info@auta.org.ar

Suscripción

Suscríbase a nuestras novedades.

15.02.2017  |  00:00 hs.  |  Amigos Universidad de Tel Aviv

Amigos de la Universidad de Tel Aviv

LA UNIVERSIDAD DE TEL AVIV EMPLEA EL APRENDIZAJE PROFUNDO PARA AYUDAR A LOS ESPECIALISTAS EN DIAGNOSTICOS SOBRECARGADOS

Investigadores desarrollan una solución de avanzada para los radiólogos y otros miembros de equipos médicos.

Tel Aviv. Se hacen unas dos mil millones de placas de rayos X todos los años en el mundo. Sin embargo, la clínica radiológica promedio cuenta con poco personal. Los radiólogos están sobrecargados con una creciente cantidad de trabajo, lo que les deja poco tiempo para evaluar las imágenes más a fondo, y esto conduce a diagnósticos erróneos y consecuencias más serias.

 

 

Hoy en día, un laboratorio de la UTA desarrolla soluciones prácticas para afrontar las demandas de los radiólogos. La profesora Hayit Greenspan, del Laboratorio de Procesamiento de Imágenes Médicas del Departamento de Ingeniería Biomédica de la Facultad de Ingeniería de la UTA, ha desarrollado una amplia gama de herramientas para facilitar el diagnóstico de rayos X asistido por computadora, de tomografías computarizadas y de imágenes por resonancia magnética, lo que da libertad a los radiólogos para que se ocupen de casos complejos que demandan todas sus habilidades y atención.  
«Faltan radiólogos, pero la cantidad de trabajo que existe para ellos sigue aumentando.  Esto quiere decir que hay rayos X que no se leen nunca o que se leen después de un largo período que pone en peligro la vida del paciente», afirma la profesora Greenspan, quien señala la meta de su investigación al respecto:
Nuestro objetivo consiste en emplear las tecnologías de “aprendizaje profundo” asistidas por computadoras para marcar la diferencia entre pacientes saludables y no saludables y para categorizar todas las patologías que se presentan en una sola imagen mediante un marco eficiente y robusto que se puede adaptar al ámbito real de una clínica.
«Aprendizaje profundo» para diagnósticos precisos
En el Simposio Israelí de Radiología Computacional que tuvo lugar en la UTA en diciembre del año pasado, la profesora Greenspan explicó el plan de su laboratorio para implementar el «aprendizaje profundo», una nueva área de investigación en aprendizaje automático, que se vale de la inteligencia artificial para uso en diferentes campos de la ciencia. El objetivo consiste en valerse del aprendizaje profundo para desarrollar herramientas de diagnóstico que detecten y clasifiquen patologías en imágenes radiográficas de manera automática.
El laboratorio de la profesora Greenspan es uno de los pocos laboratorios del mundo que se dedica a la aplicación del aprendizaje profundo en la medicina. Ella y su equipo ya han desarrollado la tecnología para sustentar, con ayuda del aprendizaje profundo, la identificación automatizada de patologías de tórax mediante rayos X, la detección de lesiones en el hígado, el análisis de lesiones por imágenes de resonancia magnética y otras tareas.
La profesora Greenspan señala lo siguiente:
Hemos desarrollado herramientas que dan sustento a la toma de decisiones en la radiología con la visión por computadora y con algoritmos de aprendizaje automático. Esto va a ayudar a los radiólogos a tomar decisiones más objetivas, más precisas y más cuantitativas. Esto resulta clave cuando se trata de exámenes iniciales. Estos sistemas pueden mejorar la precisión y la eficiencia tanto en los departamentos de radiología más avanzados como los más básicos del mundo.
La investigadora también explora el uso de la «transferencia de aprendizaje» en su investigación sobre las aplicaciones médicas del aprendizaje profundo. «El crowdsourcing fue esencial para la aplicación del aprendizaje profundo en las búsquedas de imágenes generales, como Google search», afirma la profesora Greenspan. «Sin embargo, cuando se trata de imágenes médicas, entran a tallar cuestiones de privacidad, y se dispone de pocos datos abarcadores en este momento.»
«Para el “el aprendizaje por transferencia” nos valemos de redes que, en principio, se entrenaron con imágenes regulares para categorizar imágenes médicas.» Las características y los parámetros que respresentan millones de imágenes generales también ofrecen una buena firma para el análisis de imágenes médicas. 
El trabajo de la profesora Greenspan cuenta con el apoyo del Instituto de Investigación Colaborativa INTEL para la Inteligencia Computacional y del Ministerio de Finanzas de Israel; también el Centro Médico Sheba brinda su colaboración. La investigadora es además coeditora y directora de un número especial de «Aprendizaje Profundo en Diagnóstico por Imágenes», que será publicado en la revista IEEE Transactions on Medical Imaging de mayo.

 

Próximas Actividades