Mostrando entradas con la etiqueta inteligencia artificial. Mostrar todas las entradas
Mostrando entradas con la etiqueta inteligencia artificial. Mostrar todas las entradas

miércoles, 30 de abril de 2025

Imagenología Multimodal del Osteosarcoma: Del Diagnóstico Inicial a la Radiómica

 https://www.ortopediaoncologicamexico.mx/academia/imagenologia-multimodal-del-osteosarcoma-del-diagnostico-inicial-a-la-radiomica/


Imagenología Multimodal del Osteosarcoma: Del Diagnóstico Inicial a la Radiómica

Resumen Simple
El osteosarcoma es un tumor óseo maligno primario que produce una matriz osteoide. La imagenología es crucial para su detección, caracterización y planificación del tratamiento, aunque puede ser compleja, especialmente en las etapas iniciales. La radiografía convencional suele ser la primera modalidad utilizada para detectar hallazgos sospechosos, mientras que el sistema Bone-RADS ayuda a describir los resultados de la imagenología y a estratificar el riesgo. La TC proporciona información detallada sobre la arquitectura ósea y la matriz osteoide, mientras que la RMN es esencial para evaluar la propagación del tumor a los tejidos blandos adyacentes, el canal medular, las articulaciones y las estructuras neurovasculares. Esta revisión incluye ejemplos de casos clínicos y explora el papel de la inteligencia artificial en la mejora del diagnóstico del osteosarcoma.

Resumen
El osteosarcoma es un tumor óseo maligno primario que se caracteriza por la producción de una matriz osteoide. Si bien la histología sigue siendo el estándar diagnóstico definitivo, la imagenología desempeña un papel crucial en el diagnóstico, la planificación terapéutica y el seguimiento. La radiografía convencional sirve como punto de control inicial para la detección de esta patología, que a menudo presenta dificultades diagnósticas debido a síntomas vagos e inespecíficos, especialmente en sus etapas iniciales. Hoy en día, la integración de diferentes técnicas de imagen permite un diagnóstico y un tratamiento cada vez más personalizados, cada una de las cuales aporta información única y complementaria. La radiografía convencional suele iniciar la evaluación por imagen, y el Sistema de Informes y Datos Óseos (Bone-RADS) de la Sociedad de Radiología Esquelética (SSR) es una herramienta valiosa para estratificar el riesgo de lesiones óseas sospechosas. La TC es la modalidad preferida para evaluar la matriz ósea, mientras que las gammagrafías óseas y la PET/TC son eficaces para detectar metástasis a distancia. La RM revela la extensión de la lesión en los tejidos blandos adyacentes, el canal medular y las articulaciones, así como su relación con las estructuras neurovasculares y la presencia de lesiones salteadas. Técnicas avanzadas como la resonancia magnética con contraste dinámico (DCE-MRI), la resonancia magnética ponderada por difusión (DWI) y la RM de perfusión ayudan a caracterizar el entorno tumoral y a evaluar la respuesta al tratamiento. El osteosarcoma comprende diversos subtipos con diferentes características clínicas y de imagen, algunos de los cuales son particularmente distintivos, como en el caso del osteosarcoma telangiectásico. El conocimiento de estas variantes puede orientar a los radiólogos en el diagnóstico diferencial, que incluye tanto formas centrales como superficiales, desde tipos muy agresivos hasta los más indolentes. En esta revisión, presentamos una amplia gama de casos representativos de nuestra serie de casos hospitalarios para ilustrar presentaciones de imagen típicas y atípicas. Finalmente, analizamos los avances y desafíos recientes en la aplicación de enfoques de inteligencia artificial a la imagenología del osteosarcoma.

Introducción
El osteosarcoma es un tumor óseo primario caracterizado por células mesenquimales que producen una matriz osteoide [1,2]. Es el cáncer óseo primario más común que no afecta a las células sanguíneas [1,2]. Aunque es poco frecuente en la población general, con una tasa de incidencia de aproximadamente 4 a 5 casos por millón de personas al año (menos del 1% de todos los casos de cáncer) [1,3], estudios epidemiológicos a gran escala han revelado un aumento de su incidencia en las últimas décadas [4]. Tradicionalmente, el osteosarcoma se ha considerado un tumor con una incidencia bimodal, con un pico primario en niños y adolescentes y un pico secundario en personas mayores de 80 años [1,4]. Sin embargo, estudios recientes cuestionan el patrón bimodal típico, sugiriendo en cambio un único pico de incidencia constante en la segunda década de la vida [5]. En niños y adolescentes, representa el tumor mesenquimal maligno primario más común, representando aproximadamente el 80% de todos los tumores óseos malignos y aproximadamente el 2,4% de todos los cánceres infantiles [1]. En personas mayores de cincuenta años, el osteosarcoma representa aproximadamente el 50% de todos los tumores óseos malignos primarios, con una mayor proporción de osteosarcomas secundarios [2]. Es más común en hombres que en mujeres, con una proporción hombre-mujer de aproximadamente 1,5:1 a 2:1 [4]. Aunque algunos estudios sugieren variaciones en la incidencia entre diferentes grupos étnicos, con tasas más altas reportadas en poblaciones negras e hispanas, los datos globales siguen siendo inconsistentes [4]. Los factores de riesgo para este tumor incluyen exposición previa a radiación terapéutica, como la causada por tratamiento contra el cáncer, estatura alta, alto peso al nacer y afecciones como la enfermedad de Paget o exostosis múltiples hereditarias, que implican un rápido crecimiento o recambio óseo y también pueden aumentar el riesgo de desarrollar osteosarcoma [4,6]. Se ha vinculado a varios síndromes de predisposición al cáncer, como el retinoblastoma hereditario (asociado con mutaciones del gen RB1) [7,8], el síndrome de Li-Fraumeni (relacionado con mutaciones del gen TP53) [9,10] y variantes germinales patogénicas en individuos con osteosarcoma, especialmente en jóvenes [11].

El osteosarcoma se presenta con mayor frecuencia cerca de la metáfisis de los huesos largos, en particular alrededor de la articulación de la rodilla [12]. El fémur es la zona afectada con mayor frecuencia, representando aproximadamente el 42-46% de los casos, seguido de la tibia (alrededor del 19-24%) y el húmero (alrededor del 10-12%). En adultos mayores, el osteosarcoma también puede presentarse en otros huesos, como la pelvis, las costillas y la mandíbula [2]. La clasificación de tumores de tejidos blandos y huesos de la Organización Mundial de la Salud (OMS) reconoce varios tipos de osteosarcomas con diferentes grados de malignidad [13]. Clínicamente, el osteosarcoma se presenta típicamente con dolor profundo que empeora progresivamente [14]. Otros síntomas pueden incluir una masa palpable y restricción del movimiento, y en el 5-10 % de los casos, el tumor puede provocar una fractura patológica.

Las imágenes desempeñan un papel crucial en la detección, el diagnóstico y la estadificación del osteosarcoma [12,15,16]. Aunque estos tumores suelen mostrar características de imagen agresivas, el diagnóstico inicial puede ser difícil y sutil, especialmente en las primeras etapas, donde pueden confundirse con lesiones benignas o lesiones con bajo potencial maligno [14,15]. Los retrasos en el diagnóstico pueden ocurrir porque síntomas como el dolor localizado o la inflamación a menudo se atribuyen a afecciones benignas, incluyendo lesiones deportivas o dolores de crecimiento en pacientes más jóvenes [16]. Si bien la radiografía convencional suele ser la primera técnica de imagen aplicada al análisis de tumores óseos como los osteosarcomas, la integración de la tomografía computarizada (TC) y la resonancia magnética (RM) es esencial para una caracterización precisa de las lesiones [17]. La tomografía computarizada (TC) proporciona una evaluación más completa de las estructuras óseas en comparación con la radiografía convencional, mientras que la resonancia magnética (RM) es especialmente valiosa para evaluar la extensión del tumor a los tejidos blandos circundantes [18]. Además, la gammagrafía ósea y la PET-TC desempeñan un papel importante en la estadificación y la planificación terapéutica [19].

La diversa presentación y la naturaleza agresiva del osteosarcoma requieren imágenes precisas tanto para el diagnóstico inicial como para el seguimiento de la respuesta al tratamiento, dadas las características complejas y variables del tumor. Por lo tanto, la integración de diversas modalidades de imagen es crucial para una evaluación exhaustiva del tumor y una planificación terapéutica eficaz (Tabla 1) [20]. En apoyo de la evaluación visual por parte de los radiólogos, la aplicación intensiva de la inteligencia artificial al análisis de imágenes biomédicas en la última década ha facilitado un cambio de paradigma en la imagenología oncológica [21]. La radiómica desempeña un papel prometedor al permitir la extracción de una amplia gama de características cuantitativas de las imágenes, lo que mejora el diagnóstico, la caracterización y la predicción de la respuesta terapéutica del tumor [22,23]. Sin embargo, a pesar de los avances tecnológicos y metodológicos que han superado algunos de los desafíos iniciales en la obtención de imágenes del cáncer, en particular en tumores de pulmón, mama y cerebro [21,24,25,26], en el estudio de los tumores óseos, la traducción clínica de estos modelos fue bastante limitada [27]. Por ello, el papel del radiólogo sigue siendo indispensable. Sin embargo, los radiólogos deben ser conscientes de estas nuevas oportunidades para contribuir activamente a la atención sanitaria continua.

Conclusiones
Los osteosarcomas son tumores óseos primarios poco frecuentes, pero agresivos, que requieren un diagnóstico preciso y un estudio de imagen completo para un tratamiento eficaz. Aunque poco comunes, son los tumores óseos malignos más frecuentes en niños y adolescentes, lo que resalta la necesidad de una detección temprana. La clasificación Bone-RADS ayuda a los radiólogos en la estratificación inicial del riesgo de lesiones óseas, a menudo detectadas incidentalmente durante estudios radiográficos. Los avances en imagenología, en particular la resonancia magnética y la tomografía computarizada (TC), son fundamentales para el diagnóstico, la estadificación y el seguimiento de la supervivencia global, ofreciendo información detallada sobre las características tumorales y guiando el tratamiento. Tecnologías emergentes como la inteligencia artificial en radiómica y radiogenómica son prometedoras para mejorar las capacidades diagnósticas, aunque su aplicación clínica sigue limitada por los datos y los desafíos metodológicos. A pesar del progreso tecnológico, la experiencia de los radiólogos sigue siendo esencial para interpretar imágenes complejas y garantizar resultados óptimos para los pacientes.

Multimodal Imaging of Osteosarcoma: From First Diagnosis to Radiomics – PubMed

Multimodal Imaging of Osteosarcoma: From First Diagnosis to Radiomics – PMC

Multimodal Imaging of Osteosarcoma: From First Diagnosis to Radiomics

Cè M, Cellina M, Ueanukul T, Carrafiello G, Manatrakul R, Tangkittithaworn P, Jaovisidha S, Fuangfa P, Resnick D. Multimodal Imaging of Osteosarcoma: From First Diagnosis to Radiomics. Cancers (Basel). 2025 Feb 10;17(4):599. doi: 10.3390/cancers17040599. PMID: 40002194; PMCID: PMC11852380.

© 2025 by the authors.

Licensee MDPI, Basel, Switzerland. This article is an open access article distributed under the terms and conditions of the Creative Commons Attribution (CC BY) license (https://creativecommons.org/licenses/by/4.0/).

PMCID: PMC11852380  PMID: 40002194







martes, 2 de julio de 2024

Ensayos clínicos virtuales: implicaciones de las simulaciones por computadora y la inteligencia artificial para la investigación musculoesquelética

 https://www.lesionesdeportivas.com.mx/academia/ensayos-clinicos-virtuales-implicaciones-de-las-simulaciones-por-computadora-y-la-inteligencia-artificial-para-la-investigacion-musculoesqueletica/


Ensayos clínicos virtuales: implicaciones de las simulaciones por computadora y la inteligencia artificial para la investigación musculoesquelética


Los ensayos clínicos in silico, particularmente cuando se complementan con métodos de inteligencia artificial, representan un enfoque innovador con mucho que ofrecer, particularmente en el campo musculoesquelético. Son un medio rentable, eficiente y ético de evaluar tratamientos e intervenciones complementando y/o ampliando los ensayos controlados aleatorios (ECA) tradicionales. Si bien no son una panacea y no deberían reemplazar a los ECA tradicionales, su integración en el proceso de investigación promete acelerar los avances médicos y mejorar los resultados de los pacientes. Para lograr esto, se necesita un enfoque multidisciplinario y la colaboración es fundamental. Con avances en computación y destreza analítica, y al adherirse a los principios de la ciencia en equipo, la realización de un enfoque integrador tan novedoso hacia los ensayos clínicos puede no estar lejos de proporcionar contribuciones de gran alcance a la investigación médica. Como tal, al aprovechar el poder de los ensayos clínicos in silico, los investigadores pueden potencialmente desbloquear nuevas posibilidades en el tratamiento y la intervención para, en última instancia, mejorar la atención al paciente y los resultados.

Virtual Clinical Trials – Implications of Computer Simulations and Artificial Intelligence for Musculoskeletal Research – PubMed (nih.gov)

JBJS: Virtual Clinical Trials – Implications of Computer Simulations and Artificial Intelligence for Musculoskeletal Research

JBJS (lww.com)

Mell SP, Hornung AL, Yuh C, Samartzis D. Virtual Clinical Trials – Implications of Computer Simulations and Artificial Intelligence for Musculoskeletal Research. J Bone Joint Surg Am. 2024 Jun 20. doi: 10.2106/JBJS.23.01236. Epub ahead of print. PMID: 38900849.

Copyright © 2024 by The Journal of Bone and Joint Surgery, Incorporated.



viernes, 14 de octubre de 2022

Comparación de parámetros de alineación tibial basados ​​en puntos de referencia anatómicos clínicamente relevantes: un análisis radiológico de aprendizaje profundo

 https://www.ortopediainfantil.com.mx/academia/comparacion-de-parametros-de-alineacion-tibial-basados-en-puntos-de-referencia-anatomicos-clinicamente-relevantes-un-analisis-radiologico-de-aprendizaje-profundo/


Comparación de parámetros de alineación tibial basados ​​en puntos de referencia anatómicos clínicamente relevantes: un análisis radiológico de aprendizaje profundo

Este estudio aprovechó la IA para crear un modelo rápido y objetivo que puede estimar los ajustes necesarios específicos del paciente para apuntar al centro radiológico del tobillo.

#Tobillo #inteligenciaartificial #ángulo #cadera-rodilla-tobillo (HKA) #alineación de #rodilla #aprendizajeautomático #alineaciónmecánica #alineacióntibial #articulacióndeltobillo #rodillas #maléolos #osteoartritis #radiografías #tejidosblandos #artroplastiatotalderodilla #TKA #valgo

Comparison of tibial alignment parameters based on clinically relevant anatomical landmarks | Bone & Joint Open (boneandjoint.org.uk)
  • La identificación precisa del centro de la articulación del tobillo es fundamental para estimar la alineación tibial coronal en la artroplastia total de rodilla (TKA). El propósito del estudio actual fue aprovechar la inteligencia artificial (IA) para determinar la precisión y el efecto del uso de diferentes puntos de referencia anatómicos radiológicos para cuantificar la alineación mecánica en relación con un centro de tobillo radiológico definido tradicionalmente.
  • El estudio actual aprovechó la IA para crear un modelo consistente y objetivo que puede estimar los ajustes específicos del paciente necesarios para el uso óptimo de puntos de referencia en la navegación extramedular y guiada por computadora para la alineación tibial coronal para que coincida con la planificación radiológica.

https://pubmed.ncbi.nlm.nih.gov/36196596/

https://online.boneandjoint.org.uk/doi/full/10.1302/2633-1462.310.BJO-2022-0082.R1

Jang SJ, Kunze KN, Brilliant ZR, Henson M, Mayman DJ, Jerabek SA, Vigdorchik JM, Sculco PK. Comparison of tibial alignment parameters based on clinically relevant anatomical landmarks : a deep learning radiological analysis. Bone Jt Open. 2022 Oct;3(10):767-776. doi: 10.1302/2633-1462.310.BJO-2022-0082.R1. PMID: 36196596.

© 2022 Author(s) et al. This is an open-access article distributed under the terms of the Creative Commons Attribution Non-Commercial No Derivatives (CC BY-NC-ND 4.0) licence, which permits the copying and redistribution of the work only, and provided the original author and source are credited. See https://creativecommons.org/licenses/by-nc-nd/4.0/




jueves, 15 de septiembre de 2022

El papel actual de los elementos virtuales de inteligencia artificial en la artroplastia total de rodilla

 https://www.artrocenter.mx/academia/el-papel-actual-de-los-elementos-virtuales-de-inteligencia-artificial-en-la-artroplastia-total-de-rodilla/


El papel actual de los elementos virtuales de inteligencia artificial en la artroplastia total de rodilla

En este artículo de #OpenReviews se analizaron elementos virtuales de la #IA con respecto a su utilidad en #totalkneearthroplasty

TKA #orthotwitter #rodilla #ortopedia #openaccessjournal #artificialintelligence #artroplastia #machinelearning #deeplearning

The current role of the virtual elements of artificial intelligence in total knee arthroplasty in: EFORT Open Reviews Volume 7 Issue 7 (2022) (bioscientifica.com)

  • Las aplicaciones actuales de los elementos virtuales de inteligencia artificial (IA), aprendizaje automático (ML) y aprendizaje profundo (DL) en la artroplastia total de rodilla (TKA) son diversas.
  • ML puede predecir la duración de la estancia (LOS) y los costos antes de la ATR primaria, el riesgo de transfusión después de la ATR primaria, la insatisfacción posoperatoria después de la ATR, el tamaño de los componentes de la ATR y los peores resultados. La predicción de resultados distintos con modelos ML aplicando datos específicos ya es posible; sin embargo, la predicción de resultados más complejos sigue siendo imprecisa. Los sistemas de monitoreo remoto de pacientes ofrecen la capacidad de evaluar de manera más completa a las personas que experimentan ATR en términos de movilidad y cumplimiento de la rehabilitación.
  • DL puede identificar con precisión la presencia de TKA, distinguir entre diseños de artroplastia específicos e identificar y clasificar la osteoartritis de rodilla con la misma precisión que un cirujano ortopédico. DL permite la detección de aflojamiento protésico a partir de radiografías.
  • Con respecto a las arquitecturas asociadas con DL, las redes neuronales artificiales (ANN) y las redes neuronales convolucionales (CNN), las ANN pueden predecir LOS, los cargos de pacientes hospitalizados y la disposición del alta antes de la ATR primaria y las CNN permiten diferenciar entre diferentes tipos de implantes con una precisión casi perfecta.

https://pubmed.ncbi.nlm.nih.gov/35900206/

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9297054/

https://eor.bioscientifica.com/view/journals/eor/7/7/EOR-21-0107.xml

Rodríguez-Merchán EC. The current role of the virtual elements of artificial intelligence in total knee arthroplasty. EFORT Open Rev. 2022 Jul 5;7(7):491-497. doi: 10.1530/EOR-21-0107. PMID: 35900206; PMCID: PMC9297054.

An external file that holds a picture, illustration, etc.
Object name is 88x31.jpg

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International




Las aplicaciones sin sentido y las metodologías equivocadas en la investigación ortopédica relacionada con la inteligencia artificial propagan el entusiasmo por la esperanza

 https://www.drgustavorosas.mx/academia/las-aplicaciones-sin-sentido-y-las-metodologias-equivocadas-en-la-investigacion-ortopedica-relacionada-con-la-inteligencia-artificial-propagan-el-entusiasmo-por-la-esperanza/


Las aplicaciones sin sentido y las metodologías equivocadas en la investigación ortopédica relacionada con la inteligencia artificial propagan el entusiasmo por la esperanza

¿La investigación en IA es clínicamente útil o es solo otra moda pasajera? ¿Qué piensas?

¿Se ha convertido la investigación en IA en la última moda de investigación, con cantidad sobre calidad?

«La investigación relacionada con la IA en ortopedia con frecuencia no proporciona casos de uso que ofrezcan a los no iniciados la oportunidad de evaluar la importancia de la IA mediante el estudio de preguntas significativas, evaluar hipótesis desconocidas, o analizar datos de calidad.

Meaningless Applications and Misguided Methodologies in Artificial Intelligence–Related Orthopaedic Research Propagates Hype Over Hope – Arthroscopy (arthroscopyjournal.org)
  • Existe una gran esperanza y entusiasmo en la literatura sobre las aplicaciones de la inteligencia artificial (IA) a la cirugía ortopédica. Entre 2018 y 2021 se publicaron un total de 178 artículos relacionados con la IA en ortopedia. Sin embargo, por cada 2 trabajos de investigación originales que aplican la IA a la ortopedia se publica un comentario o revisión (30,3%). La investigación relacionada con la IA en ortopedia con frecuencia no proporciona casos de uso que ofrezcan a los no iniciados la oportunidad de evaluar la importancia de la IA mediante el estudio de preguntas significativas, la evaluación de hipótesis desconocidas o el análisis de datos de calidad. La exageración perpetúa un ciclo de avance que relega a la IA a una palabra de moda sin sentido al recompensar a aquellos con una comprensión incipiente y un conocimiento técnico rudimentario para que cometan varios errores básicos:
  • (1) combinar inapropiadamente la lengua vernácula («IA/aprendizaje automático»),
  • (2) reempaquetar datos de registro,
  • (3) publicación prematura de algoritmos validados internamente,
  • (4) exageración del «fenómeno de la caja negra» al no proporcionar un análisis ponderado,
  • (5) afirmación de evaluar la IA en lugar de los datos en sí, y
  • (6) retención de la arquitectura del modelo completo código.

Próximamente se publicarán directrices relevantes específicas de IA, pero la aplicación forzada del Informe transparente original de un modelo de predicción multivariable para las directrices de pronóstico o diagnóstico individual diseñadas para análisis de regresión es irrelevante y engañosa. Para salvaguardar el uso significativo, los esfuerzos de investigación relacionados con la IA en ortopedia deben (1) dirigirse hacia el apoyo administrativo sobre la evaluación y el manejo clínicos, (2) requerir el uso del modelo avanzado y (3) responder una pregunta que antes se desconocía, sin respuesta o no cuantificable.

https://pubmed.ncbi.nlm.nih.gov/35550419/

https://www.arthroscopyjournal.org/article/S0749-8063(22)00280-8/fulltext

Ramkumar PN, Pang M, Polisetty T, Helm JM, Karnuta JM. Meaningless Applications and Misguided Methodologies in Artificial Intelligence-Related Orthopaedic Research Propagates Hype Over Hope. Arthroscopy. 2022 Sep;38(9):2761-2766. doi: 10.1016/j.arthro.2022.04.014. Epub 2022 May 10. PMID: 35550419.

Copyright © 2022 Arthroscopy Association of North America. Published by Elsevier Inc. All rights reserved.




viernes, 26 de agosto de 2022

Ultrasonido con modelos de inteligencia artificial predijeron lesiones del complejo de fibrocartílago triangular Palmer 1B

 https://www.clinicademano.com.mx/academia/ultrasonido-con-modelos-de-inteligencia-artificial-predijeron-lesiones-del-complejo-de-fibrocartilago-triangular-palmer-1b/


Ultrasonido con modelos de inteligencia artificial predijeron lesiones del complejo de fibrocartílago triangular Palmer 1B

Los modelos de ultrasonido con inteligencia artificial predijeron la lesión de Palmer 1B TFCC con alta precisión. #muñeca #TFCC #AI

Ultrasound With Artificial Intelligence Models Predicted Palmer 1B Triangular Fibrocartilage Complex Injuries – Arthroscopy (arthroscopyjournal.org)

  • Calcular la precisión diagnóstica a partir de la matriz de confusión utilizando aprendizaje profundo (DL) en imágenes de ultrasonido (US) de lesión del complejo de fibrocartílago triangular (TFCC) Palmer 1B.
  • Las imágenes de ultrasonido (US) que utilizan el modelo DL predijeron la lesión Palmer 1B TFCC con alta precisión, con las mejores puntuaciones de 0,85 para precisión en GoogLeNet, 1,00 para sensibilidad en ResNet50 y ResNet101, y 0,78 para especificidad en GoogLeNet. El uso de DL para imágenes de EE. UU. de la lesión Palmer 1B TFCC predijo la lesión, así como la resonancia magnética y la artrografía por tomografía computarizada.

https://pubmed.ncbi.nlm.nih.gov/35447195/

https://www.arthroscopyjournal.org/article/S0749-8063(22)00231-6/fulltext

Shinohara I, Inui A, Mifune Y, Nishimoto H, Mukohara S, Yoshikawa T, Kuroda R. Ultrasound With Artificial Intelligence Models Predicted Palmer 1B Triangular Fibrocartilage Complex Injuries. Arthroscopy. 2022 Aug;38(8):2417-2424. doi: 10.1016/j.arthro.2022.03.037. Epub 2022 Apr 18. PMID: 35447195.

Copyright © 2022 Arthroscopy Association of North America. Published by Elsevier Inc. All rights reserved.




jueves, 4 de agosto de 2022

Una herramienta de aprendizaje profundo para la medición radiográfica automatizada de la inclinación y la versión del componente acetabular después de la artroplastia total de cadera

 https://www.ortopediainfantilyarticular.com.mx/cirugia-articular/una-herramienta-de-aprendizaje-profundo-para-la-medicion-radiografica-automatizada-de-la-inclinacion-y-la-version-del-componente-acetabular-despues-de-la-artroplastia-total-de-cadera/


Una herramienta de aprendizaje profundo para la medición radiográfica automatizada de la inclinación y la versión del componente acetabular después de la artroplastia total de cadera

Gran artículo de nuestro miembro del equipo de la semana @PRouzrokh

discutiendo el desarrollo de una herramienta de aprendizaje profundo para medir la inclinación acetabular y la versión en radiografías posteriores a THA

A Deep Learning Tool for Automated Radiographic Measurement of Acetabular Component Inclination and Version After Total Hip Arthroplasty – The Journal of Arthroplasty (arthroplastyjournal.org)
  • Se cree que la posición angular inadecuada del componente acetabular aumenta el riesgo de luxación de cadera después de una artroplastia total de cadera. Sin embargo, la medición manual de estos ángulos requiere mucho tiempo y es propensa a la variabilidad entre observadores. El propósito de este estudio fue desarrollar una herramienta de aprendizaje profundo para automatizar la medición de los ángulos del componente acetabular en radiografías posoperatorias.
  • Desarrollamos una herramienta de aprendizaje profundo de alta precisión para automatizar la medición de la posición angular de los componentes acetabulares para su uso en entornos clínicos y de investigación.

https://pubmed.ncbi.nlm.nih.gov/33678445/

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8197739/

https://www.arthroplastyjournal.org/article/S0883-5403(21)00165-0/fulltext

Rouzrokh P, Wyles CC, Philbrick KA, Ramazanian T, Weston AD, Cai JC, Taunton MJ, Lewallen DG, Berry DJ, Erickson BJ, Maradit Kremers H. A Deep Learning Tool for Automated Radiographic Measurement of Acetabular Component Inclination and Version After Total Hip Arthroplasty. J Arthroplasty. 2021 Jul;36(7):2510-2517.e6. doi: 10.1016/j.arth.2021.02.026. Epub 2021 Feb 16. PMID: 33678445; PMCID: PMC8197739.

Copyright

martes, 15 de marzo de 2022

Inteligencia artificial en ortopedia: tres estrategias para el aprendizaje profundo con imágenes ortopédicas específicas

 https://www.lesionesdeportivas.com.mx/academia/inteligencia-artificial-en-ortopedia-tres-estrategias-para-el-aprendizaje-profundo-con-imagenes-ortopedicas-especificas/


Inteligencia artificial en ortopedia: tres estrategias para el aprendizaje profundo con imágenes ortopédicas específicas

La inteligencia artificial ha logrado resultados notables en el campo de la medicina. Lea el editorial de este mes sobre inteligencia artificial en ortopedia.

#inteligenciaartificial #aprendizajeprofundo

Artificial intelligence in orthopedics: three strategies for deep learning with orthopedic specific imaging | SpringerLink
  • La inteligencia artificial (IA) ha logrado resultados notables en toda la sociedad, incluso en el campo de la medicina. A medida que avanzan las técnicas, no es raro que la IA supere a los médicos en determinadas condiciones [2].
  • Una rama de la IA, conocida como aprendizaje automático, denota la capacidad de una máquina para identificar relaciones entre datos sin criterios explícitos. Esta identificación de relaciones suele mejorar con el aumento de la experiencia y los datos, y permite que los algoritmos modelen relaciones que, de lo contrario, podrían ser demasiado complejas para los métodos estadísticos estándar. El aprendizaje profundo es un campo del aprendizaje automático que se refiere a un modelo con una estructura de red neuronal artificial e imita las conexiones neuronales del cerebro humano (Fig. 1).
  • El determinante más importante del rendimiento del algoritmo de aprendizaje automático convencional (aparte de la calidad y cantidad de datos) es la selección adecuada de funciones. Si el proceso de selección de características se ejecuta adecuadamente, es posible lograr un rendimiento suficientemente efectivo independientemente del tipo de modelo utilizado. Por otro lado, si la selección de características no tiene éxito, es difícil lograr un rendimiento adecuado, independientemente de la popularidad o la supuesta capacidad del algoritmo candidato.
  • Actualmente, no existe un estándar de oro para el proceso de selección de funciones. Por lo tanto, todavía existe la necesidad de una metodología cuidadosa que describa el conocimiento técnico y médico cuando se utilizan algoritmos tradicionales de aprendizaje automático. Por el contrario, el aprendizaje profundo tiene la ventaja del análisis de extremo a extremo utilizando datos de entrada sin el proceso de selección de características. Ofrece la ventaja de no tener que depender estrictamente de la selección de funciones, ya que utiliza todos los parámetros disponibles.
  • Sin embargo, el aprendizaje profundo también tiene una barrera de entrada que requiere la preparación de datos para la capacitación. Además, es importante asegurar una unidad de procesamiento de gráficos (GPU) de alto rendimiento para un experimento eficiente, ya que los tiempos y costos de entrenamiento del modelo a menudo pueden volverse cada vez más onerosos [3].

https://pubmed.ncbi.nlm.nih.gov/35022826/

https://link.springer.com/article/10.1007/s00167-021-06838-8

Ko S, Pareek A, Ro DH, Lu Y, Camp CL, Martin RK, Krych AJ. Artificial intelligence in orthopedics: three strategies for deep learning with orthopedic specific imaging. Knee Surg Sports Traumatol Arthrosc. 2022 Mar;30(3):758-761. doi: 10.1007/s00167-021-06838-8. Epub 2022 Jan 13. PMID: 35022826.

Copyright © 2022, The Author(s) under exclusive licence to European Society of Sports Traumatology, Knee Surgery, Arthroscopy (ESSKA)




jueves, 15 de julio de 2021

¿Puede un modelo de aprendizaje profundo para la detección automatizada de fracturas vertebrales aproximarse al nivel de desempeño de los subespecialistas humanos?

 https://www.columnavertebralpediatricaygeriatrica.com.mx/academia/puede-un-modelo-de-aprendizaje-profundo-para-la-deteccion-automatizada-de-fracturas-vertebrales-aproximarse-al-nivel-de-desempeno-de-los-subespecialistas-humanos/


¿Puede un modelo de aprendizaje profundo para la detección automatizada de fracturas vertebrales aproximarse al nivel de desempeño de los subespecialistas humanos?



  • Las fracturas vertebrales son las fracturas osteoporóticas más comunes en personas mayores.
  • Estudios recientes sugieren que el desempeño de la inteligencia artificial es igual al de los humanos en la detección de fracturas osteoporóticas, como fracturas de cadera, radio distal y húmero proximal.
  • Sin embargo, aún no se ha informado si la inteligencia artificial funciona tan bien en la detección de fracturas vertebrales en radiografías simples de columna lateral.
  • El modelo de inteligencia artificial detectó fracturas vertebrales en radiografías laterales simples con alta precisión, sensibilidad y especificidad, especialmente para fracturas vertebrales lumbares osteoporóticas (Genant Grados 2 y 3).
  • El informe rápido de resultados utilizando este modelo de inteligencia artificial puede mejorar la eficiencia del diagnóstico de fracturas vertebrales.
  • El modelo de prueba está disponible en http://140.113.114.104/vght_demo/corr/.
  • Se pueden cargar una o varias radiografías laterales simples de la columna en el formato de imágenes digitales y comunicaciones en medicina para ver el rendimiento del modelo de inteligencia artificial.

https://pubmed.ncbi.nlm.nih.gov/33651768/

https://journals.lww.com/clinorthop/Abstract/2021/07000/Can_a_Deep_learning_Model_for_the_Automated.32.aspx

Li YC, Chen HH, Horng-Shing Lu H, Hondar Wu HT, Chang MC, Chou PH. Can a Deep-learning Model for the Automated Detection of Vertebral Fractures Approach the Performance Level of Human Subspecialists? Clin Orthop Relat Res. 2021 Jul 1;479(7):1598-1612. doi: 10.1097/CORR.0000000000001685. PMID: 33651768.

Copyright © 2021 by the Association of Bone and Joint Surgeons.