Investigadores malagueños mejoran la precisión de las imágenes médicas usando la IA
La implementación de esta técnica innovadora tiene potencial aplicación en áreas como la oncología, la radiología, la planificación quirúrgica o las terapias personalizadas y optimizará el diagnóstico y tratamiento de las enfermedades
Imágenes médicas más nítidas y precisas, reduciendo así los errores. Esto es lo que ha conseguido un equipo de investigación con sede en Málaga al ... lograr optimizar una tarea crítica en el ámbito sanitario: la segmentación automática de imágenes médicas, alcanzando así una mayor precisión. Así, han usado la inteligencia artificial avanzada para mejorar los resultados del análisis de las resonancias magnéticas o tomografías.
Todo ello redundará, sin duda, en un diagnóstico más preciso, al igual que facilitará la decisión médica existente tras la elección de un tratamiento para todo un abanico de enfermedades.
El estudio, publicado en la revista Mathematics con el título 'Improving Medical Image Segmentation Using Test-Time Augmentation with MedSAM', ha sido liderado por Ezequiel López Rubio, del grupo de Inteligencia Computacional y Análisis de Imágenes de Ibima Plataforma Bionand, y ha contado con la participación de Wasfieh Nazzal y Karl Thurnhofer Hemsi.
La segmentación médica no es más que la delimitación de estructuras anatómicas o lesiones en imágenes, una tarea vital para el diagnóstico y el tratamiento de las enfermedades, aunque en ocasiones la variabilidad y la calidad de las imágenes no son las mejores. El equipo ha combinado el modelo de IA MedSAM con una técnica conocida como Test-Time Augmentation (TTA), que introduce pequeñas transformaciones en las imágenes cuando van a ser analizadas, de forma que el sistema es más robusto frente a variaciones y mejora mucho la precisión de los contornos segmentados.
«La precisión en la segmentación de imágenes médicas es fundamental para mejorar los diagnósticos y tratamientos», explica Ezequiel López Rubio, autor principal, quien añade: «Nuestro enfoque demuestra que es posible optimizar la fiabilidad de los modelos de IA aplicando técnicas de aumento en tiempo de prueba, lo que abre nuevas posibilidades en el campo de la imagen médica computacional».
Entre los resultados más destacados destacan los siguientes: la combinación de MedSAM y TTA mejora significativamente la precisión de la segmentación frente a métodos tradicionales; se logra mayor fiabilidad en imágenes con ruido o baja calidad, comunes en la práctica clínica y, por último, la metodología es flexible y puede adaptarse a distintos tipos de imágenes médicas, lo que favorece su implementación en hospitales.
La investigación es relevante técnicamente y puede tener un impacto directo en la práctica médica. «Esta mejora en la segmentación automática podría tener un impacto significativo en la práctica médica, reduciendo el trabajo de los radiólogos y asegurando que los algoritmos de IA sean más precisos y confiables en la toma de decisiones clínicas», señala Karl Thurnhofer Hemsi, coautor del estudio, mientras que la autora principal y doctoranda internacional Wasfieh Nazzal indica: «Queríamos abordar la gran variabilidad de las imágenes médicas reales. La técnica TTA simula pequeñas variaciones que ocurren durante la adquisición, mejorando así la precisión sin necesidad de reentrenar los modelos».
Esta técnica tiene potencial en diversas áreas tales como la oncología, la radiología, la planificación quirúrgica o las terapias personalizadas.
IBIMA Plataforma Bionand ha destacado la importancia de seguir explorando mejoras en la IA aplicada a la salud.
¿Tienes una suscripción? Inicia sesión
