Video Experimental Relacionado
Updated: Sep 10, 2025
Eye-Tracking Control to Assess Cognitive Functions in Patients with Amyotrophic Lateral Sclerosis
Published on: October 13, 2016
Diagnóstico de la inteligencia artificial de los trastornos de la motilidad ocular a partir de videos clínicos
David Mikhail1, Michael Balas, Jonathan A Micieli
1Temerty Faculty of Medicine (DM), University of Toronto, Toronto, Canada; Department of Ophthalmology and Vision Sciences (MB, JAM), University of Toronto, Toronto, Canada; Division of Neurology (JAM), Department of Medicine, St. Michael's Hospital, University of Toronto, Toronto, Canada; Kensington Vision and Research Centre (JAM), Toronto, Canada; Department of Ophthalmology (JAM), St. Michael's Hospital, Unity Health, Toronto, Canada; and Department of Ophthalmology (JAM), Toronto Western Hospital, University Health Network, Toronto, Canada.
Gemini 2.0 muestra factibilidad en la detección de trastornos de movimiento extraocular (EOM) a partir de videos, pero la precisión del diagnóstico es limitada. Se requiere una validación adicional antes del uso clínico para las anomalías de la MEO.
Área de la Ciencia:
- Oftalmología
- Inteligencia artificial
- Imágenes médicas
Sus antecedentes:
- Los modelos de IA multimodal están avanzando en las capacidades de análisis de video.
- La detección automatizada de trastornos del movimiento extraocular (EOM) es una aplicación emergente en oftalmología.
- Este estudio explora el potencial de Gemini 2.0 para reconocer anomalías de EOM de videos clínicos.
Objetivo del estudio:
- Para evaluar la viabilidad de Gemini 2.0 en la identificación de anomalías EOM.
- Evaluar la capacidad de la IA para identificar el ojo afectado y las limitaciones específicas de movimiento.
- Para analizar el rendimiento en varios trastornos EOM utilizando videos clínicos del mundo real.
Principales métodos:
- Análisis retrospectivo de 114 videos de YouTube de trastornos EOM y 15 videos de control.
- Los videos fueron recortados a los exámenes clínicos relevantes, con el audio eliminado.
- Gemini 2.0 analizó videos utilizando un aviso de disparo cero en la plataforma Google AI Studio.
Principales resultados:
- Gemini 2.0 logró una precisión de diagnóstico general del 37,7% para los trastornos de la MEO.
- Las precisiones más altas se observaron para la parálisis del tercer nervio (81,1%) y la oftalmoplasia internuclear (80,0%).
- La identificación correcta de la lateralidad y las limitaciones de movimiento mejoraron significativamente cuando el diagnóstico fue correcto.
Conclusiones:
- Gemini 2.0 demuestra la viabilidad para el reconocimiento automatizado de anomalías de EOM en videos clínicos.
- La precisión del diagnóstico actual es limitada, especialmente para los casos menos evidentes.
- La validación extensa utilizando conjuntos de datos estandarizados y anotados por el clínico es esencial para la aplicación clínica.
