📄 Category

radiology and imaging

67 artículos

La radiología y la imagen médica son los ojos de la medicina moderna, permitiéndole a los profesionales ver dentro del cuerpo humano sin necesidad de cirugías invasivas. Este campo abarca desde las tradicionales radiografías hasta tecnologías avanzadas como la resonancia magnética y la tomografía computarizada, ofreciendo diagnósticos más rápidos y precisos que salvan vidas cada día.

En Gist.Science, nos aseguramos de que estos avances lleguen a todos. Procesamos cada nuevo prepublicación en esta categoría proveniente de medRxiv, transformando investigaciones complejas en resúmenes técnicos detallados y explicaciones en lenguaje sencillo. Nuestro objetivo es que tanto expertos como curiosos puedan entender los últimos descubrimientos sin barreras de jerga científica.

A continuación, encontrará la selección más reciente de estudios en radiología e imagen, listos para ser explorados con nuestra nueva perspectiva accesible.

📄 radiology and imaging

Quality versus quantity of training datasets for artificial intelligence-based whole liver segmentation

Este estudio demuestra que, para la segmentación hepática con IA, los conjuntos de datos altamente curados pueden lograr un rendimiento equivalente al de conjuntos mucho más grandes y mixtos, aunque estos últimos ofrecen ventajas en la generalización y mejoras locales, lo que indica que la compensación entre calidad y cantidad depende de los objetivos específicos del modelo.

Castelo, A., O'Connor, C., Gupta, A. C., Anderson, B. M., Woodland, M., Altaie, M., Koay, E. J., Odisio, B. C., Tang, T. (…)2026-02-18
📄 radiology and imaging

Intraoperative Metabolomic-Guided Precision Surgery for Pediatric Brain Tumors: A Systematic Review of Multi-Modal Molecular Imaging Platforms and Artificial Intelligence Integration

Esta revisión sistemática analiza el estado actual y las oportunidades de mejora en la cirugía de precisión guiada por metabolómica, imágenes moleculares intraoperatorias e inteligencia artificial para tumores cerebrales pediátricos, destacando los avances en la resección tumoral y la necesidad de desarrollar plataformas y protocolos específicos para la población infantil.

Sirkin, N. J., Harper, T., Lamey, E., Wilhelm, J. N., Rought, G., Yerrapragada, A.2026-02-12
📄 radiology and imaging

Brain-SAM: A SAM-based Model Tailored for Brain MRI Lesion Segmentation

Este artículo presenta Brain-SAM, un modelo especializado construido sobre el marco de trabajo SAM2 que se adapta a datos de RM cerebral 3D mediante un codificador Hiera y un decodificador inspirado en UNETR, logrando un rendimiento superior en la segmentación de diversas lesiones cerebrales en comparación con métodos de vanguardia como nnU-Net.

Pan, Y., Yuan, X., Liu, H., Yang, Y., Kang, G.2026-02-04
📄 radiology and imaging

Calibrated simulations for dynamic focusing of ultrasound through the temporal window

Este artículo presenta un marco de calibración utilizando proyecciones axisimétricas y muestreo disperso para optimizar los coeficientes de atenuación del cráneo, mejorando así la precisión de las simulaciones acústicas y las evaluaciones de seguridad para la neuromodulación por ultrasonido focalizado dinámico a través de la ventana temporal en 157 sujetos.

Dadgar-Kiani, E., Hebbale, V., Attalla, G., Alvarez, J. L., Dunsford, S., Caulfield, K. A., Good, C. H., Krystal, A. D. (…)2026-01-30
📄 radiology and imaging

A Hybrid CNN-Transformer Deep Learning Model for Differentiating Benign and Malignant Breast Tumors Using Multi-View Ultrasound Images

Este estudio presenta un robusto modelo de aprendizaje profundo híbrido CNN-Transformer que integra eficazmente imágenes de ultrasonido de múltiples vistas para lograr una precisión superior en la diferenciación de tumores mamarios benignos y malignos en comparación con los métodos convencionales de análisis de una sola imagen.

qi, z., Li, R., Pan, T., Jianxing, Z., Yang, G., Lin, Z., Zhang, M., Miao, C.2026-01-29
📄 radiology and imaging

Foundation Model Robustness to Technical Acquisition Parameters in Chest X-Ray AI A Multi-Architecture Comparative Study with External Validation

Este estudio demuestra que, si bien los modelos fundacionales para la IA de radiografías de tórax muestran diversos grados de robustez ante parámetros de adquisición como el tipo de vista, sus ventajas de rendimiento son a menudo específicas de cada conjunto de datos y no logran generalizarse en la validación externa, revelando que los sesgos técnicos persisten independientemente de la arquitectura del modelo o la escala de entrenamiento.

Farquhar, H.2026-01-27
📄 radiology and imaging

Advancing Brain Tumor Diagnosis Using Deep Learning: A Systematic Review on Glioma Segmentation and Classification on Multiparametric MRI

Esta revisión sistemática de 31 estudios de 2022 a 2025 demuestra que los modelos de aprendizaje profundo, particularmente las arquitecturas U-Net avanzadas para la segmentación y los clasificadores basados en características para el diagnóstico, logran una alta precisión en el análisis de gliomas en RM multiparamétrica, aunque el campo requiere más IA explicable para asegurar la confianza y adopción clínica.

Aresta, S., Palmirotta, C., Asim, M., Battista, P., Cava, C., Fiore, P., Santamato, A., Vitali, P., Castiglioni, I., D'A (…)2026-01-15