MD.ai

MD.ai funciona como herramienta de anotación radiológica y visor sobre los mismos datos. La plataforma trabaja con DICOM desde la base y no como un formato que se importa de paso. Los exámenes entran por carga directa, conectando un depósito en Google Cloud, Amazon S3 o Azure, o por DICOM C-STORE. También se admiten JPEG, PNG, TIFF y vídeo mediante una estructura de carpetas por paciente, algo útil cuando un estudio mezcla imágenes y clips clínicos.

El visor cuenta con autorización FDA 510(k), así que la interpretación clínica, la revisión y los informes se hacen en una herramienta aprobada y no en un visor de investigación con advertencia legal. Incluye zoom, desplazamiento y ventana, protocolos de presentación, reconstrucción multiplanar y herramientas de medición. Las anotaciones viven en el mismo espacio de trabajo que la imagen, de modo que se etiqueta y se lee en una sola pantalla.

Puede desplegar su propio modelo y ejecutar inferencia distribuida sobre el conjunto. El resultado llega como preanotación que el anotador acepta, ajusta o descarta. Cada proyecto puede tener sus propios modelos y ajustes, y la plataforma registra el rendimiento del modelo frente a las etiquetas humanas, el circuito de retroalimentación que casi ninguna herramienta de anotación incluye.

Una validación de modelos de IA entre centros es posible aquí sin juntar datos de pacientes: la anotación federada deja que varias instituciones participen en la evaluación de un mismo modelo. Cada sede etiqueta o ejecuta inferencia en local y solo viajan los resultados. Para un proveedor que necesita validación externa antes de presentar un expediente, suele ser la única vía para reunir pruebas de varios centros sin meses de acuerdos de cesión de datos.

La anonimización de datos de salud empieza en la detección integrada de PHI, que revisa imágenes y metadatos en busca de información identificativa y la elimina antes de la exportación. La anonimización a nivel de píxel se ocupa del texto que quedó grabado en la propia imagen. Es el paso que decide si un conjunto puede salir o no de un hospital, y tenerlo dentro de la plataforma evita un proyecto de cumplimiento aparte.

Como software de informes de radiología, Reporting emplea modelos de lenguaje en las tareas que consumen el día de un radiólogo: elegir la plantilla adecuada, asignar los hallazgos dictados a cada campo, redactar la impresión, corregir el texto y generar los códigos de facturación al firmar. Puede trabajar en un modo guiado por IA o quedarse en el dictado tradicional y pedir ayuda solo cuando la necesite.

Los informes pueden apoyarse en la lógica de guías como BI-RADS, LI-RADS o TI-RADS, y admiten guías propias. El sistema también compara el estudio nuevo con los informes anteriores y señala qué cambió. Las dos funciones recortan el ir y venir que alarga un informe más que la propia lectura.

Una herramienta de línea de comandos y una librería de Python permiten crear proyectos, subir datos, extraer anotaciones y gestionar usuarios desde código. Reporting se conecta con EHR, HIS y RIS mediante HL7 y DICOM, y puede incrustarse en otra aplicación con un iframe y acceso por token, de forma que el informe se abre dentro del flujo del propio hospital.