Hace poco, Hong Kong lanzó un modelo de gran tamaño de ecografía llamado "Lingyin" de EchoCare, que es el primer conjunto de datos a nivel mundial con más de 4 millones de imágenes de ecografía. Este proyecto fue desarrollado por el Centro de Innovación en Inteligencia Artificial y Robots (CAIR) de la Academia China de Ciencias para la Innovación en Hong Kong, con el objetivo de aliviar la escasez de médicos de ecografía y mejorar la eficiencia del uso de los equipos de ecografía y el nivel de diagnóstico.
A medida que la tecnología de ecografía se vuelve cada vez más importante en el diagnóstico de enfermedades y la detección de salud, el número de exámenes de ecografía realizados anualmente en China ha alcanzado los 2 mil millones. Sin embargo, la brecha de médicos de ecografía en el país es de casi 150.000. Formar a un médico de ecografía calificado requiere entre 3 y 5 años, e incluso en ciertos campos especializados se necesita aún más tiempo, lo que hace que la expansión de los exámenes de ecografía enfrenta grandes desafíos. El profesor Huang Hongliang de la Facultad de Medicina de la Universidad de Hong Kong señaló que el tiempo de espera para los exámenes en Hong Kong es bastante largo, y en algunos casos puede requerir esperar más de un año.
Nota de la fuente de la imagen: la imagen fue generada por IA, el proveedor de licencias es Midjourney
Bajo este contexto, el modelo de gran tamaño EchoCare de CAIR surgió. Este modelo no solo representa una innovación tecnológica, sino también un hito importante para la aplicación de la inteligencia artificial en el campo de la ecografía. EchoCare utiliza un método de aprendizaje no supervisado estructurado basado en datos puros, superando el cuello de botella de escasez de datos de alta calidad en el diagnóstico tradicional de ecografía con inteligencia artificial. Esta tecnología innovadora permite al modelo aprender características sin necesidad de una gran cantidad de etiquetado humano, y posee una buena capacidad de generalización transcentro.
Además, EchoCare cuenta con la capacidad de aprendizaje continuo, permitiendo que se actualice y optimice según nuevas aplicaciones, asegurando que el modelo siempre esté en su mejor estado. Tras una verificación inicial, el modelo mostró un excelente desempeño en entornos clínicos reales, y ya se han realizado estudios retrospectivos en varios hospitales como la Universidad de Shandong, mostrando una sensibilidad del 85,6% y una especificidad del 88,7%.
