El papel de la IA en sanidad

La inteligencia artificial (AI) en la atención sanitaria está creciendo rápidamente, con aplicaciones cada vez más numerosas en varios ámbitos, como la atención a los pacientes, los diagnósticos médicos y los procedimientos quirúrgicos. Informes recientes prevén que el tamaño del mercado mundial de IA en la atención sanitaria alcanzará los 148 000 millones de USD en 2029. Desde el diagnóstico basado en IA hasta la medicina de precisión, la IA está transformando el funcionamiento de los sistemas de atención sanitaria al mejorar la precisión y la eficiencia de los procesos médicos.

Un ámbito clave en el que la IA está logrando avances importantes es la tecnología de visión artificial. Las soluciones sanitarias basadas en IA, como los sistemas de visión artificial, son herramientas de gran valor para analizar datos médicos, identificar anomalías que podrían pasar inadvertidas para el ojo humano y ofrecer intervenciones oportunas. Esto es especialmente importante para la detección precoz de enfermedades, que puede mejorar considerablemente los resultados de los pacientes.

La aplicación de la IA en la atención sanitaria no se limita al diagnóstico. También se utiliza como apoyo en intervenciones quirúrgicas, donde la robótica médica ha permitido desarrollar sistemas avanzados capaces de realizar operaciones precisas y mínimamente invasivas. Además, los sistemas de IA mejoran la monitorización de los pacientes al integrar tecnologías ponibles y automatizar los procesos sanitarios, lo que contribuye a la automatización de la atención sanitaria.

En este artículo veremos cómo modelos de visión artificial como Ultralytics YOLOv8 y Ultralytics YOLO11 pueden ayudar al sector médico con tareas avanzadas de detección de objetos. También veremos sus ventajas, dificultades y aplicaciones, y cómo puedes empezar a utilizar los modelos Ultralytics YOLO.

Agilizar la asistencia quirúrgica con los modelos Ultralytics YOLO#

Los sistemas de visión artificial basados en IA están ampliando su papel en la atención sanitaria. Los modelos de visión artificial, como YOLOv8 y YOLO11, pueden agilizar la detección de objetos médicos al identificar herramientas y objetos en quirófanos en tiempo real y con gran precisión. Sus capacidades avanzadas pueden ayudar a los cirujanos a seguir los instrumentos quirúrgicos en tiempo real y mejorar la precisión y la seguridad de las intervenciones.

Ultralytics ha desarrollado varios modelos YOLO, entre ellos:

• Ultralytics YOLOv5: esta versión se centró en la facilidad de uso y la accesibilidad para los desarrolladores, e incorporó funciones para acelerar el entrenamiento y mejorar el despliegue en dispositivos.
• Ultralytics YOLOv8: esta versión introdujo un modelo sin anclajes completo. En las versiones anteriores de YOLO, las cajas de anclaje eran cajas predefinidas de distintas formas y tamaños que se utilizaban como punto de partida para la detección de objetos. YOLOv8 elimina la necesidad de estas cajas de anclaje y predice directamente la forma y la ubicación del objeto.
• Ultralytics YOLO11: los modelos YOLO más recientes han superado a las versiones anteriores en varias tareas, como la detección, la segmentación, la estimación de pose, el seguimiento y la clasificación.

Aplicaciones de Ultralytics YOLOv8 en la atención sanitaria#

Ultralytics YOLOv8, por ejemplo, tiene numerosas aplicaciones basadas en IA en distintos ámbitos, incluida la atención sanitaria, y ejerce un impacto considerable en áreas como el descubrimiento de fármacos, el diagnóstico y la monitorización en tiempo real. Estas son algunas formas de utilizar YOLOv8 en soluciones sanitarias basadas en IA.

• Monitorización de pacientes en tiempo real: Ultralytics YOLOv8 también puede utilizarse en hospitales para monitorizar a pacientes y al personal en tiempo real. Entre sus aplicaciones se incluyen la supervisión del cumplimiento del uso de equipos de protección individual (PPE) y la detección de caídas de pacientes.
• Detección de herramientas quirúrgicas: YOLOv8 puede utilizarse para detectar y seguir con precisión las herramientas quirúrgicas en tiempo real durante las intervenciones laparoscópicas. Esto es importante para mejorar la eficiencia y la seguridad.
• Cirugía robótica: en la cirugía robótica, Ultralytics YOLOv8 puede mejorar la precisión de los instrumentos quirúrgicos mediante la identificación de referencias anatómicas críticas y el seguimiento de movimientos en tiempo real. Esta detección de objetos basada en IA puede mejorar la precisión y la seguridad de las intervenciones complejas y reducir al mínimo las complicaciones.
• Endoscopia: YOLOv8 puede aplicarse a imágenes endoscópicas para ayudar a identificar anomalías en el tracto gastrointestinal.
• Aplicaciones móviles de salud: YOLOv8 puede integrarse en aplicaciones móviles para diversos usos sanitarios, como el cribado del cáncer de piel.
• Diagnóstico e imágenes médicas: YOLOv8 puede detectar y clasificar anomalías en distintas modalidades de imagen, como radiografías, tomografías computarizadas, resonancias magnéticas y ecografías. El modelo de detección de objetos Ultralytics YOLOv8 puede utilizarse en oftalmología para identificar anomalías retinianas, como la retinopatía diabética, y en radiología, donde los modelos pueden detectar fracturas óseas y ayudar a los radiólogos a evaluar casos de traumatismos.

Fig. 1. Detección de fracturas en una radiografía con Ultralytics YOLOv8.

Ventajas y dificultades de la detección de objetos médicos#

En comparación con otros modelos de detección de objetos, como RetinaNet y Faster R-CNN, Ultralytics YOLOv8 ofrece ventajas claras para las aplicaciones médicas basadas en IA:

• Detección en tiempo real: Ultralytics YOLOv8 es uno de los modelos de detección de objetos más rápidos. Es ideal para procedimientos médicos en tiempo real, como las intervenciones quirúrgicas, donde es importante detectar rápidamente y con precisión las herramientas y los instrumentos médicos.
• Precisión: Ultralytics YOLOv8 ofrece una precisión de vanguardia en la detección de objetos. Las mejoras de su arquitectura, su función de pérdida y su proceso de entrenamiento contribuyen a su gran precisión a la hora de identificar y localizar objetos médicos.
• Detección de varios objetos médicos: Ultralytics YOLOv8 puede detectar varios objetos en una sola imagen, por ejemplo, identificar numerosos instrumentos médicos durante una intervención quirúrgica o detectar distintas anomalías en un entorno médico.
• Menor complejidad: en comparación con los detectores de dos etapas (como Faster R-CNN), Ultralytics YOLOv8 simplifica el proceso de detección al realizarlo en una sola etapa. Este enfoque optimizado contribuye a su velocidad y eficiencia, y facilita su despliegue y su integración en los flujos de trabajo médicos existentes.
• Mejora del entrenamiento y el despliegue: Ultralytics se ha centrado en hacer que sus modelos sean muy fáciles de usar, con un proceso de entrenamiento optimizado, una exportación del modelo simplificada y compatibilidad con diversas plataformas de hardware, para que estén al alcance de investigadores y desarrolladores del ámbito médico.

A pesar de sus numerosas ventajas, el uso de modelos de visión artificial para detectar objetos médicos presenta algunas dificultades:

• Dependencia de los datos: los modelos de visión artificial necesitan una gran cantidad de datos etiquetados para entrenarse eficazmente. Obtener conjuntos de datos anotados de alta calidad en el ámbito médico puede resultar difícil por factores como la privacidad de los pacientes.
• Complejidad de las imágenes médicas: las imágenes médicas suelen contener estructuras complejas y superpuestas, lo que dificulta que los modelos avanzados diferencien entre tejidos normales y anómalos.
• Recursos computacionales: analizar imágenes médicas de alta resolución puede requerir una gran potencia de cálculo, lo que podría suponer una limitación en entornos con recursos restringidos.

Ejecución de inferencias con el modelo Ultralytics YOLOv8#

Para empezar a usar YOLOv8, instala el paquete de Ultralytics. Puedes instalarlo con pip, conda o Docker. Encontrarás instrucciones detalladas en la guía de instalación de Ultralytics. Si tienes algún problema, la guía de problemas habituales puede ayudarte a resolverlo.

Una vez instalado Ultralytics, usar YOLOv8 es muy sencillo. Puedes usar un modelo YOLOv8 preentrenado para detectar objetos en imágenes sin entrenar un modelo desde cero.

Aquí tienes un breve ejemplo de cómo cargar un modelo YOLOv8 y usarlo para detectar objetos en una imagen. Para ver ejemplos más detallados y consejos sobre usos avanzados, consulta la documentación oficial de Ultralytics, donde encontrarás buenas prácticas e instrucciones adicionales.

Fig. 2. Fragmento de código que muestra cómo ejecutar inferencias con YOLOv8.

Conclusión#

La integración de la IA en la atención sanitaria, especialmente mediante modelos como Ultralytics YOLOv8, está transformando el ámbito médico. Su capacidad para ofrecer detecciones precisas en tiempo real simplifica los flujos de trabajo y mejora la precisión quirúrgica, la exactitud de los diagnósticos y la monitorización de pacientes en tiempo real, lo que se traduce en mejores resultados para los pacientes. A medida que seguimos mejorando la calidad de los datos y la potencia de cálculo, es probable que el potencial de YOLOv8 en la atención sanitaria crezca y permita responder eficazmente a aún más necesidades médicas.

Para conocer el potencial de la IA de visión y estar al día de nuestras últimas innovaciones, visita nuestro repositorio de GitHub. Únete a nuestra creciente comunidad y descubre cómo queremos contribuir a transformar sectores como la atención sanitaria y la fabricación.