EchoCare - Modelo grande de base de ultrasonidos de código abierto de la Academia de Ciencias de Hong Kong

¿Qué es EchoCare?

EchoCare es un gran modelo de base de ultrasonidos desarrollado por el Centro de Inteligencia Artificial e Innovación Robótica (CAIR) del Instituto de Innovación e Investigación de Hong Kong de la Academia China de Ciencias (CAS), entrenado a partir del mayor conjunto de datos de imágenes de ultrasonidos del mundo (más de 4,5 millones de imágenes), que abarca múltiples centros, regiones y etnias y más de 50 órganos humanos. El modelo adopta un marco de aprendizaje autosupervisado de contraste estructurado, que puede aprender de forma autónoma las características semánticas profundas de las imágenes de ultrasonido sin depender de la anotación de expertos, resolviendo eficazmente los problemas de insuficiente capacidad de generalización y fuerte dependencia de la anotación de datos de la IA de ultrasonido tradicional. El modelo tiene un rendimiento excelente en tareas clínicas: la sensibilidad de la valoración de tumores ováricos benignos y malignos alcanza 85,6%, la especificidad 88,7%, y la precisión media de la detección de nódulos tiroideos es 88,8%, y el rendimiento general es 3%-5% superior al de los mejores modelos del mundo, y se ha completado la validación retrospectiva del modelo en el Hospital Qilu de la Universidad de Shandong, el Hospital Xiangya de la Universidad Central del Sur y otras instituciones.

Características de EchoCare

• Entrenamiento de datos multicéntricos a gran escalaBasado en el mayor conjunto de datos de imágenes de ultrasonidos del mundo, que contiene más de 4,5 millones de imágenes que abarcan más de 20 países y regiones, múltiples centros, múltiples etnias y más de 52 órganos de todo el cuerpo, para garantizar la amplia aplicabilidad y la gran capacidad de generalización del modelo.
• Comparación estructurada de marcos de aprendizaje autosupervisadoEl modelo puede aprender características semánticas profundas de imágenes de ultrasonidos de forma independiente sin depender de anotaciones de expertos, desacoplando el aprendizaje de características de las tareas posteriores y mejorando de forma efectiva la adaptabilidad del modelo a multisitios y multitareas.
• Arquitectura jerárquica de dos ramasDiseño innovador del codificador de imágenes y el decodificador de doble rama para simular la lógica del diagnóstico clínico, mejorar la solidez de las características de los bordes y extraer y clasificar gradualmente las características de la estructura anatómica para mejorar la precisión del diagnóstico y la interpretabilidad.
• Excelente rendimiento clínicoEl rendimiento en siete de las principales tareas médicas mejoró una media de 3%~5% en comparación con el modelo SOTA tradicional, con una sensibilidad de la clasificación de tumores benignos-malignos de ovario de 85,6% y una especificidad de 88,7%, y una precisión media de la detección de nódulos tiroideos de 88,8%.
• Validación clínica multicéntrica y aplicación sobre el terrenoLa empresa ha completado la validación retrospectiva en el Hospital Qilu de la Universidad de Shandong, el Hospital Xiangya de la Universidad Central del Sur, etc. En el futuro, planea cooperar con proveedores de hardware para promover la aplicación a gran escala en escenarios de atención primaria y medicina de urgencias, ayudando a mejorar la eficiencia y la estandarización del diagnóstico.

Principales ventajas de LISTEN EchoCare

• Formación de datos multicéntricos a gran escalaEl modelo se basa en el mayor conjunto de datos de imágenes ecográficas del mundo, que contiene más de 4 millones de imágenes de más de 20 países y regiones, multicéntricos y multiétnicos, y más de 52 órganos de cuerpo entero de todo el mundo, lo que garantiza su amplia aplicabilidad y su gran capacidad de generalización.
• Un innovador marco de aprendizaje autosupervisadoSe adopta el primer método de "aprendizaje autosupervisado de contraste estructurado", que puede aprender de forma independiente las características semánticas profundas de las imágenes de ultrasonido sin depender de una gran cantidad de datos anotados por expertos, realizando la disociación del aprendizaje de características de las tareas posteriores, y mejorando en gran medida la adaptabilidad del modelo a múltiples sitios y múltiples tareas, así como la eficiencia del aprendizaje.
• Excelente rendimiento en el diagnóstico clínicoEl rendimiento del modelo SOTA en siete tareas médicas importantes, como la segmentación, la clasificación y la detección de imágenes, mejora en una media de 3%~5% en comparación con el modelo tradicional superior (SOTA). En concreto, la sensibilidad en la tarea de clasificación de tumores ováricos benignos y malignos alcanza 85,6%, la especificidad 88,7%, y la precisión media en la tarea de detección de nódulos tiroideos alcanza 88,8%, lo que reduce eficazmente el número de la tasa de filtración y de diagnósticos erróneos de enfermedades importantes.
• Potente generalización y compatibilidadEl diseño del modelo supera eficazmente el reto de la "variabilidad" de la imagen causada por las diferencias algorítmicas entre los distintos fabricantes de equipos de ultrasonidos y los diferentes hábitos operativos de los médicos, y rompe el predicamento del "desarrollo fragmentado" de la IA de ultrasonidos tradicional, que es compatible con distintos equipos y diversos escenarios clínicos. Es compatible con diferentes equipos y diversos escenarios clínicos.

Cuál es la página web oficial de EchoCare

• Página web del proyecto:: https://echocare.cares-copilot.com/
• Repositorio Github:: https://github.com/CAIR-HKISI/EchoCare
• Documento técnico arXiv:: https://arxiv.org/pdf/2509.11752

Personas para las que EchoCare es adecuado

• Ecografistas y médicos especialistas en diagnóstico por imagenEl modelo puede ayudar a los médicos en el análisis de imágenes ecográficas y mejorar la eficacia y precisión del diagnóstico, especialmente en tareas de diagnóstico complejas como el juicio benigno/maligno de tumores ováricos y la detección de nódulos tiroideos, lo que puede contribuir a reducir la tasa de fugas y diagnósticos erróneos.
• Organizaciones de atención primaria y médicos generalistasEste modelo puede reducir la dependencia de los ultrasonógrafos de alto nivel, ayudar a los médicos de cabecera o a los operadores menos experimentados a realizar exámenes ecográficos más normalizados y diagnósticos preliminares, y mejorar la accesibilidad y la calidad de los servicios de atención primaria.
• Personal médico de urgenciasEl modelo es especialmente adecuado para situaciones de emergencia y puede ayudar rápidamente a identificar enfermedades agudas, por ejemplo, para la detección rápida de aneurismas aórticos cardíacos, ayudando a los médicos de urgencias a tomar decisiones más precisas con poco tiempo y evitando riesgos médicos causados por diagnósticos erróneos.
• Instituciones de enseñanza médica y estudiantes en prácticasEl modelo puede utilizarse como ayuda pedagógica para que los médicos en formación aprendan y comprendan la interpretación de las imágenes ecográficas, y para acelerar el proceso de desarrollo de las habilidades de diagnóstico ecográfico al proporcionar una referencia normalizada para el análisis.
• Fabricantes de equipos de ultrasonidos y empresas de tecnología médicaLas empresas pueden integrar el modelo en los equipos de ultrasonidos, desarrollar sistemas de diagnóstico por ultrasonidos más inteligentes o software de diagnóstico auxiliar, mejorar la competitividad de los productos y colaborar para promover el aterrizaje a gran escala y la aplicación comercial de la tecnología de IA por ultrasonidos.