Video Experimental Relacionado
Updated: Feb 19, 2026
06:09
Author Spotlight: Advancing Hepatic Fibrosis Diagnosis Using Magnetic Resonance Elastography and AI
Published on: July 21, 2023
2.0K
Detección de enfermedad hepática crónica mediante redes neuronales convolucionales profundas con datos de resonancia
Elif Zoroğlu Altınkaya1, Emre Altınkaya2, Emre Emekli1,3
1Department of Radiology, Faculty of Medicine, Eskişehir Osmangazi University, Eskişehir, Turkey.
Polish journal of radiology
|February 18, 2026
Resumen
Un novedoso modelo de aprendizaje profundo detecta con precisión la enfermedad hepática crónica (EHC) utilizando resonancias magnéticas sin segmentación. Este enfoque avanzado mejora significativamente la precisión diagnóstica para una intervención temprana del paciente.
Área de la Ciencia:
- Imagenología Médica
- Inteligencia Artificial
- Hepatología
Sus antecedentes:
- La enfermedad hepática crónica (EHC) representa un desafío significativo para la salud mundial.
- La detección temprana y precisa de la EHC es fundamental para un tratamiento eficaz y los resultados de los pacientes.
- La resonancia magnética (RM) es una modalidad clave para la evaluación hepática, pero la precisión diagnóstica puede mejorarse.
Objetivo del estudio:
- Desarrollar y evaluar una red neuronal convolucional (DeepCNN) basada en aprendizaje profundo para la detección automatizada de EHC utilizando RM.
- Comparar el rendimiento diagnóstico del modelo DeepCNN con algoritmos tradicionales de aprendizaje automático.
- Evaluar la utilidad de las imágenes de RM no segmentadas para la clasificación de EHC.
Principales métodos:
- Se utilizó un estudio retrospectivo con 1112 imágenes de RM de 184 pacientes (460 normales, 652 con EHC) adquiridas entre 2018 y 2024.
- Las imágenes se sometieron a preprocesamiento, incluido el redimensionamiento, la aumentación y la normalización.
- Se entrenó el modelo DeepCNN y se comparó su rendimiento con la regresión logística, el vecino más cercano k, las máquinas de vectores de soporte y el bosque aleatorio utilizando precisión, exactitud, recuperación y puntuación F1.
Principales resultados:
- El modelo DeepCNN logró una precisión del 93 % y una puntuación F1 de 0,939, con una precisión del 97 % y una recuperación del 98 % para la clasificación de EHC.
- Los algoritmos tradicionales de aprendizaje automático mostraron precisiones más bajas, que oscilaron entre el 72,31 % y el 83,16 %.
- La exclusión de las vistas coronales redujo la precisión de DeepCNN al 86 %, lo que resalta la importancia de la obtención de imágenes multiplanar.
Conclusiones:
- El modelo DeepCNN desarrollado demuestra una precisión diagnóstica superior para la detección de EHC a partir de RM en comparación con los métodos tradicionales de aprendizaje automático.
- Este enfoque de RM no segmentada ofrece un avance práctico para el diagnóstico de EHC, lo que apoya una intervención más temprana.
- La investigación futura podría explorar mecanismos de atención y arquitecturas avanzadas de aprendizaje profundo para mejorar aún más el rendimiento.