TROMBICTUS: Clasificación clínica de trombos con deep learning para diagnósticos más rápidos y precisos

Uno de los grandes desafíos en el diagnóstico clínico de eventos cerebrovasculares es la correcta identificación del origen de los trombos, clave para definir tratamientos eficaces. Tradicionalmente, esta clasificación depende de análisis visuales manuales, consumiendo tiempo valioso y requiriendo alta especialización médica. TROMBICTUS soluciona esta problemática mediante un sistema automatizado basado en redes neuronales profundas, capaz de clasificar imágenes macroscópicas de trombos en dos categorías: aterotrombóticos y cardioembólicos, con una precisión del 97%. El proceso incluye una fase de segmentación que elimina el fondo de las imágenes para destacar únicamente el trombo, seguida de una clasificación alimentada tanto por las imágenes como por datos clínicos relevantes (edad, sexo, historial de tabaquismo), maximizando la exactitud diagnóstica. Actualmente, técnicas manuales o basadas en criterios subjetivos limitan la escalabilidad y reproducibilidad del diagnóstico. En cambio, TROMBICTUS estandariza el análisis y lo agiliza, permitiendo una toma de decisiones médicas más rápida y basada en evidencia. Requisitos técnicos: El sistema requiere infraestructura compatible con modelos de Deep Learning, preferentemente servidores con GPU y entornos de ejecución compatibles con Python y bibliotecas como TensorFlow o PyTorch. Además, se recomienda una base de datos segura para almacenar imágenes médicas y datos clínicos anonimizados, cumpliendo con normativas de protección de datos.

Más información: