Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
¿Es un modelo de base basado en imágenes naturales de gran tamaño superior a un modelo específico de retina para detectar enfermedades oculares y sistémicas?
Created by
Haebom
Autor
Qingshan Hou, Yukun Zhou, Jocelyn Hui Lin Goh, Ke Zou, Samantha Min Er Yew, Sahana Srinivasan, Meng Wang, Thaddaeus Lo, Xiaofeng Lei, Siegfried K. Wagner, Mark A. Chia, Dawei Yang, Hongyang Jiang, An Ran Ran, Rui Santos, Gabor Mark Somfai, Juan Helen Zhou, Haoyu Chen, Qingyu Chen, Carol Y. Cheung, Pearse A. Keane, Yih Chung Tham
Describir
Este artículo presenta los resultados de un estudio sobre la aplicación de los Modelos Fundamentarios (MF) en el ámbito médico, en particular en oftalmología. Comparamos y evaluamos RETFound, un MF específico para retina, y DINOv2, un MF de visión de propósito general, para diversas tareas de detección de enfermedades oftálmicas y predicción de enfermedades sistémicas. Tras el ajuste, comparamos su rendimiento utilizando ocho conjuntos de datos oftalmológicos disponibles públicamente: Moorfields AlzEye y UK Biobank. DINOv2 superó en rendimiento la detección de retinopatía diabética y múltiples enfermedades oftálmicas, mientras que RETFound superó en rendimiento la predicción de insuficiencia cardíaca, infarto de miocardio y accidente cerebrovascular isquémico. Esto resalta la importancia de seleccionar el MF adecuado para cada tarea.
Takeaways, Limitations
•
Takeaways:
◦
Identificamos las fortalezas relativas del FM de propósito general (DINOv2) y el FM de dominio específico (RETFound).
◦
Se presentó la idoneidad de cada FM para diagnosticar enfermedades oftálmicas específicas y predecir enfermedades sistémicas.
◦
Esto sugiere que seleccionar FM apropiados para las características de la tarea es importante para optimizar el desempeño clínico.
•
Limitations:
◦
Limitaciones en la generalización debido a limitaciones en el conjunto de datos utilizado en el estudio.
◦
Se necesitan más investigaciones sobre otros tipos de FM o desafíos más clínicos.
◦
Si bien las diferencias en el rendimiento para ciertas afecciones pueden ser sutiles, podrían ser estadísticamente significativas. Se requieren análisis más profundos para determinar su utilidad clínica.
