por Beijing Zhongke Journal Publishing Co.
Cuando se reproduce virtualmente una imagen de un paciente o un órgano humano, se desarrolla un sistema basado en un gemelo digital utilizando datos importantes recopilados de diferentes sensores biomédicos y ubicuos sensores estudiables. De manera similar a un reloj inteligente, se puede obtener información en tiempo real sobre la presión arterial, el pulso, la temperatura corporal, los patrones de sueño y las actividades físicas generales de un paciente o humano. Se puede crear un modelo virtual durante las visitas a la clínica o al hospital mediante el uso de datos de pruebas de laboratorio, y se pueden realizar investigaciones de imágenes de diagnóstico. Además, los datos genéticos se pueden codificar como gemelos digitales. Cuando todos estos datos se combinan en un solo modelo virtual, todos los detalles del historial médico del paciente están disponibles para apoyar la toma de decisiones. Crédito: Beijing Zhongke Journal Publishing Co. Ltd.
Los gemelos digitales son representaciones virtuales de dispositivos y procesos que capturan las propiedades físicas del entorno y algoritmos/técnicas operativas en el contexto de tecnologías y dispositivos médicos. Los gemelos digitales pueden permitir que las organizaciones de atención médica determinen métodos para mejorar los procesos médicos, mejorar la experiencia del paciente, reducir los gastos operativos y ampliar el valor de la atención.
Durante la actual pandemia de COVID-19, varios dispositivos médicos, como rayos X y máquinas y procesos de tomografía computarizada, se utilizan constantemente para recopilar y analizar imágenes médicas. Cuando se recopila y procesa un gran volumen de datos en forma de imágenes, las máquinas y los procesos a veces sufren fallas en el sistema, lo que genera problemas críticos para los hospitales y los pacientes.
Para abordar esto, un estudio publicado en Realidad virtual y hardware inteligente presenta un sistema de cuidado de la salud inteligente basado en un gemelo digital integrado con dispositivos médicos para recopilar información sobre la condición de salud actual, la configuración y el historial de mantenimiento del dispositivo/máquina/sistema. Además, las imágenes médicas, es decir, los rayos X, se analizan utilizando un modelo de aprendizaje profundo para detectar la infección de COVID-19.
El sistema diseñado se basa en la arquitectura de red neuronal de convolución recurrente en cascada (RCNN). En esta arquitectura, las etapas del detector son más profundas y secuencialmente más selectivas contra falsos positivos pequeños y cercanos. Esta arquitectura es una extensión de varias etapas del modelo RCNN y se entrena secuencialmente usando la salida de una etapa para entrenar la otra. En cada etapa, los cuadros delimitadores se ajustan para ubicar un valor adecuado de los falsos positivos más cercanos durante el entrenamiento de las diferentes etapas. De esta manera, la disposición de los detectores se ajusta para aumentar la intersección sobre la unión, superando el problema del sobreajuste. Este estudio entrena el modelo mediante el uso de imágenes de rayos X, ya que el modelo se entrenó previamente en otro conjunto de datos.
El sistema desarrollado logra una buena precisión durante la fase de detección de COVID-19. Los resultados experimentales revelan la eficiencia de la arquitectura de detección, que arroja una tasa de precisión promedio promedio de 0,94.
Imran Ahmed et al, Integración de gemelos digitales y aprendizaje profundo para análisis de imágenes médicas en la era de COVID-19, Realidad virtual y hardware inteligente (2022). DOI: 10.1016/j.vrih.2022.03.002
Proporcionado por Beijing Zhongke Journal Publishing Co.
Citación: Integración de gemelos digitales y aprendizaje profundo para el análisis de imágenes médicas en la era de COVID-19 (2 de noviembre de 2022) recuperado el 2 de noviembre de 2022 de https://medicalxpress.com/news/2022-11-digital-twins-deep-medical -imagen.html
Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.
