Jueves 10 de Agosto de 2023

Inteligencia Artificial se utilizará en planificación de cirugías de hígado

Investigador de la Facultad de Ingeniería y Ciencias Aplicadas, José Manuel Saavedra, y el académico de la Facultad de Medicina, Héctor Henríquez, trabajan en conjunto en esta materia, que disminuirá tiempos y dificultades en el desempeño del especialista.

De izq. a der.: José Manuel Saavedra y Héctor Henríquez

Mediante un trabajo interdisciplinario, enfocado en el desarrollo de modelos de IA con gran impacto en el campo médico, se están logrando grandes avances en medicina e IA. El académico e investigador de la Facultad de Ingeniería y Ciencias Aplicadas, José Manuel Saavedra, y el académico de la Facultad de Medicina y Dr. de la Clínica Santa María, Héctor Henríquez, están trabajando en conjunto para modelar soluciones basadas en visión por computadora, que permitan determinar, automáticamente, el volumen remanente de hígado antes de una cirugía de resección.

“Es un desarrollo de modelos de visión con alto impacto en el campo médico, particularmente en radiología. Pensando en desarrollar modelos disruptivos, el Dr. Henríquez me comentó la importancia de una segmentación fina del hígado, que permitiera estimar el volumen remanente antes de una cirugía de resección y así comenzamos este desafío”, explica Saavedra.

Explica que comenzaron desarrollando modelos de segmentación de hígado completo, aprovechando diversas arquitecturas de redes neuronales. “Pensamos extender tales arquitecturas para facilitar segmentación de grano fino, es decir, que permitan segmentar estructuras vecinas al hígado, como lesiones o vasos sanguíneos. Además, el resultado de este trabajo es un insumo clave para otro desafío en el que estamos involucrados, relacionado con la segmentación apoyada por información contextual (ingresada como prompts). Aquí, la información contextual se refiere a tipo de cirugía, patologías, landmarks, entre otros”, agrega el académico.

Y agrega que la estimación de volumen remanente es un trabajo costoso en tiempo (aproximadamente 40 minutos por paciente). “Nuestra solución apunta a bajar ese tiempo a segundos y podría reducir errores generados por fatiga o condiciones externas que afectan el desempeño del especialista”, señala.