Software de imagenología detecta la hemorragia intracraneal

El software toma las TC sin contraste y las procesa en la nube, utilizando algoritmos patentados para observar cambios y resaltar áreas para que los médicos puedan ver inmediatamente las posibles áreas de sangrado. Las imágenes mejoradas se envían de vuelta a la estación de trabajo del médico, junto con la original. En

Los algoritmos se desarrollaron utilizando el aprendizaje profundo, en el que a una computadora se le alimenta una serie de imágenes de ejemplo para establecer puntos de referencia para lo que se considera una lectura de referencia. MedyMatch ha asegurado miles de millones de imágenes de millones de casos a través de colaboraciones con hospitales como el Centro Médico Hadassah (Jerusalén, Israel) y el Hospital General de Massachusetts (Boston, MA, EUA). El análisis de una serie completa de imágenes permite que el software aprenda cómo se ve una hemorragia. Se espera que el proceso permita a los médicos obtener una opinión experta en un plazo de tres a cinco minutos.

“A pesar de los avances en las imágenes médicas, la tasa de errores de diagnóstico médico que es de alrededor del 30 por ciento no ha cambiado en décadas. Existe una necesidad en el mercado de proporcionar a los radiólogos y médicos un segundo par de ojos para ayudarlos a superar cualquier limitación que les impida proporcionar un diagnóstico correcto de los pacientes”, dijo el Dr. Gabriel Polliack, miembro del consejo asesor médico de MedyMatch. “La idea es genial, y no solo tiene un valor clínico significativo, lo que significa una mejora en los resultados del paciente, sino que tendrá un impacto directo en el costo de la atención”.

“La TC sin contraste sigue siendo la modalidad de imagenología primaria para la evaluación inicial de los pacientes con sospecha de accidente cerebrovascular para la lesión cerebral traumática”, dijo Gene Saragnese, presidente y director ejecutivo de MedyMatch. “MedyMatch lanza al mercado una nueva categoría de soluciones médicas que aprovecha el aprendizaje profundo, la visión artificial y toda la riqueza de las imágenes tridimensionales y otros datos relevantes de los pacientes”.

El aprendizaje profundo es parte de una familia de métodos de aprendizaje automático basados en representaciones de datos de aprendizaje, en oposición a los algoritmos específicos de tareas. Incluye algoritmos de red neuronal artificial (ANN) que utilizan una cascada de muchas capas de unidades de procesamiento no lineales para la extracción y transformación de características, con cada capa sucesiva utilizando el resultado de la capa anterior como entrada para formar una representación jerárquica.