En el ámbito de la medicina, el análisis de datos de imágenes siempre ha sido un proceso complejo y laborioso. Recientemente, investigadores del Colegio de Medicina Weill Cornell desarrollaron un nuevo sistema de inteligencia artificial llamado LILAC (Inferencia de Cambios de Imágenes Longitudinales basada en Aprendizaje), capaz de analizar y detectar de manera eficiente y precisa los cambios en las imágenes médicas a lo largo del tiempo. Esta investigación, publicada el 20 de febrero en la revista de la Academia Nacional de Ciencias de Estados Unidos (PNAS), muestra el amplio potencial de aplicación de LILAC en múltiples escenarios médicos. Los métodos tradicionales de análisis de imágenes médicas suelen requerir una gran cantidad de personalización y preprocesamiento.

Recientemente, investigadores de Microsoft Research, en colaboración con las universidades de Washington, Stanford, Southern California, California Davis y California San Francisco, presentaron LLaVA-Rad, un nuevo modelo multimodal pequeño (SMM) diseñado para mejorar la eficiencia en la generación de informes radiológicos clínicos. El lanzamiento de este modelo no solo representa un gran avance en la tecnología de procesamiento de imágenes médicas, sino que también abre nuevas posibilidades para las aplicaciones clínicas de la radiología. En el campo de la biomedicina, la investigación basada en modelos básicos a gran escala ya está en marcha.

Un estudio dirigido por investigadores de la Universidad Mohamed bin Zayed ha dado como resultado un modelo de inteligencia artificial llamado BiMediX2. Este sistema puede comprender e interpretar información en imágenes médicas, con análisis bilingüe en inglés y árabe, mostrando un rendimiento particularmente excelente con el árabe. BiMediX2 es el primer sistema de IA capaz de analizar y describir imágenes médicas en inglés y árabe. El sistema puede procesar una variedad de imágenes médicas, incluyendo radiografías, exploraciones de resonancia magnética y micrografías.

Las imágenes de IRM siempre han supuesto un gran desafío en el análisis de imágenes médicas debido a su complejidad y gran volumen de datos. Para entrenar modelos de lenguaje grandes (LLM) para el análisis de IRM, los desarrolladores han tenido que dividir las imágenes adquiridas en imágenes 2D. Si bien este enfoque es viable, limita la capacidad del modelo para analizar estructuras anatómicas complejas, especialmente en casos complejos como tumores cerebrales, enfermedades óseas o enfermedades cardiovasculares. Nota de la imagen: La imagen fue generada por IA, el proveedor de servicios de licencias de imágenes es Midjourney. Sin embargo, GE Healthcare en este año de...

En la era de la creciente popularidad de la inteligencia artificial, cada vez más usuarios consultan problemas médicos a través de chatbots de IA como ChatGPT y Google Gemini. Algunos incluso suben imágenes médicas, como radiografías, resonancias magnéticas (IRM) y exploraciones PET, al asistente de IA Grok en la plataforma X para su interpretación. Sin embargo, esta práctica puede conllevar graves riesgos para la privacidad y la seguridad. Aunque los datos médicos están protegidos por leyes federales especiales, si el usuario opta por eludir estos mecanismos de protección, se enfrenta a los siguientes riesgos: entrenamiento de datos

El Ministerio de Salud de Singapur anunció recientemente una inversión de 200 millones de dólares singapurenses (aproximadamente 150 millones de dólares estadounidenses) para impulsar la adopción de nuevas tecnologías de inteligencia artificial en su sistema sanitario nacional durante los próximos cinco años. Esta nueva inversión se destinará al Fondo de Innovación en Salud para apoyar el desarrollo y la prueba piloto de innovaciones tecnológicas, promoviendo su implementación a gran escala en todo el sistema. Nota sobre la imagen: Imagen generada por IA, proveída por Midjourney. Entre los proyectos más destacados se encuentra un proyecto de inteligencia artificial generativa (IA generativa), cuyo objetivo es...

MedTrinity-25M es un conjunto de datos médicos multimodales a gran escala publicado por el equipo UCSC-VLAA, que contiene 25 millones de imágenes médicas con sus anotaciones detalladas. Este conjunto de datos cuenta con anotaciones de grano fino, admite el entrenamiento de modelos médicos multimodales a gran escala, su proceso de construcción es complejo, mediante el procesamiento de datos, la extracción de metadatos, la localización de regiones de interés y la recopilación de conocimientos médicos, utilizando modelos de lenguaje a gran escala para generar descripciones detalladas, mejorando la disponibilidad de los datos. El conjunto de datos se publicó oficialmente el 21 de julio de 2024, y se proporciona un modelo preentrenado de acompañamiento.

MedSAM-2, basado en el marco de Segment Anything Model 2 (SAM2), ha revolucionado el campo de la segmentación de imágenes médicas. Su avance clave radica en el tratamiento de imágenes 2D y 3D como secuencias de vídeo, lo que permite una segmentación eficiente de imágenes tridimensionales. La función de "segmentación con un clic" de MedSAM-2 solo requiere que el usuario especifique el objetivo en una sola imagen; el modelo identifica y segmenta automáticamente el mismo tipo de objeto en las imágenes posteriores sin necesidad de entrada continua. Como modelo general, puede procesar cualquier imagen

Se espera un aumento significativo en el número de herramientas de IA para imágenes médicas aprobadas por la FDA para 2035, con un apoyo de capital de riesgo que superará los 300 000 millones de dólares. La disponibilidad de productos de IA para imágenes médicas ha aumentado constantemente durante los últimos siete años, con las imágenes médicas representando el 85% del capital de riesgo en salud digital. Las investigaciones indican una fuerte correlación entre el apoyo de capital de riesgo y el desarrollo de productos de IA, y se espera que 350 nuevos productos lleguen al mercado para 2035.

Se prevé que el mercado mundial de inteligencia artificial para imágenes médicas alcance los 29.800 millones de dólares para 2032. Norteamérica ostenta la mayor cuota de mercado, pero se espera que la región de Asia-Pacífico registre el crecimiento más rápido. Las aplicaciones de inteligencia artificial en radiología y la demanda de TC impulsan el crecimiento del mercado. El aprendizaje profundo y la visión artificial son las principales tecnologías, mientras que las aplicaciones de imágenes mamarias y ortopédicas son dominantes.