Utilizamos cookies para comprender de qué manera utiliza nuestro sitio y para mejorar su experiencia. Esto incluye personalizar el contenido y la publicidad. Para más información, Haga clic. Si continua usando nuestro sitio, consideraremos que acepta que utilicemos cookies. Política de cookies.

Presenta Sitios para socios Información LinkXpress
Ingresar
Publique su anuncio con nosotros
GLOBETECH PUBLISHING LLC

Deascargar La Aplicación Móvil




Método nuevo de IA predice el cáncer de mama con cinco años de antelación

Por el equipo editorial de MedImaging en español
Actualizado el 22 May 2019
Print article
Imagen: Se espera que un método nuevo de inteligencia artificial, para detectar el cáncer de mama, supere los métodos existentes que no cumplen con sus predicciones (Fotografía cortesía del MIT).
Imagen: Se espera que un método nuevo de inteligencia artificial, para detectar el cáncer de mama, supere los métodos existentes que no cumplen con sus predicciones (Fotografía cortesía del MIT).
Investigadores de dos instituciones importantes han desarrollado una herramienta nueva con métodos avanzados de inteligencia artificial (IA) para predecir el riesgo futuro de cáncer de mama en una mujer. Los modelos disponibles actualmente que utilizan factores como el historial familiar y la genética no son suficientes para predecir la probabilidad de que una mujer sea diagnosticada con cáncer de mama.

En algunos modelos, se agregó la densidad mamaria (la cantidad de tejido denso en comparación con la cantidad de tejido graso en la mama en una mamografía) para mejorar la evaluación del riesgo, ya que es un factor de riesgo independiente para el cáncer de mama. Dado que se basa en una evaluación subjetiva que puede variar entre los radiólogos, se ha estudiado el aprendizaje profundo, un subconjunto de la IA en el que las computadoras aprenden con el ejemplo, como una forma de estandarizar y automatizar estas mediciones.

Adam Yala, un candidato a Ph.D. en el Instituto de Tecnología de Massachusetts (MIT), en colaboración con Regina Barzilay, Ph.D., una experta en inteligencia artificial y profesora de MIT, y Constance Lehman, MD, Ph.D., jefe de imagenología de mama en el Hospital General de Massachusetts y profesora de radiología en la facultad de medicina de Harvard, compararon recientemente tres métodos diferentes de evaluación de riesgos.

El primer modelo se basó en los factores de riesgo tradicionales, el segundo en el aprendizaje profundo que usó solo la mamografía y el tercero en un enfoque híbrido que incorporó tanto la mamografía como los factores de riesgo tradicionales en el modelo de aprendizaje profundo. Los investigadores utilizaron casi 90.000 mamografías de detección de alta resolución de aproximadamente 40.000 mujeres para entrenar, validar y probar el modelo de aprendizaje profundo. Pudieron obtener resultados de cáncer a través de la vinculación con un registro regional de tumores.

Los modelos de aprendizaje profundo produjeron una discriminación de riesgo sustancialmente mejorada con respecto al modelo de Tyrer-Cuzick, un estándar clínico actual que utiliza la densidad mamaria en el riesgo de factorización. Al comparar el modelo de aprendizaje profundo híbrido con la densidad de los senos, los investigadores encontraron que las pacientes con senos no densos y con alto riesgo evaluado por el modelo tenían 3,9 veces la incidencia de cáncer de las pacientes con senos densos y bajo riesgo evaluado por el modelo. Las ventajas se mantuvieron para los diferentes subgrupos de mujeres.

“Hay mucha más información en una mamografía que solo las cuatro categorías de densidad mamaria. A través del uso del modelo de aprendizaje profundo, aprendemos señales sutiles que son indicativas de un futuro cáncer”, dijo Yala. “Hay una gran cantidad de información en una mamografía de resolución completa que los modelos de riesgo de cáncer de mama no han podido usar hasta hace poco. Con el aprendizaje profundo, podemos aprender a aprovechar esa información directamente de los datos y crear modelos que sean significativamente más exactos en diversas poblaciones”.

“A diferencia de los modelos tradicionales, nuestro modelo de aprendizaje profundo funciona igualmente bien en diversas razas, edades e historias familiares”, dijo la Dra. Barzilay. “Hasta ahora, las mujeres afroamericanas se encontraban en una clara desventaja al momento de realizarles una evaluación de riesgo exacta del futuro cáncer de mama. Nuestro modelo de IA ha cambiado eso”.

“Un elemento faltante para apoyar programas de detección más efectivos y personalizados ha sido las herramientas de evaluación de riesgos que sean fáciles de implementar y que funcionen en toda la diversidad de mujeres a las que atendemos”, dijo el Dr. Lehman. “Estamos encantados con nuestros resultados y ansiosos por trabajar en estrecha colaboración con nuestros sistemas de atención médica, nuestros proveedores y, lo más importante, nuestros pacientes para incorporar este descubrimiento en resultados mejorados para todas las mujeres”.

Enlace relacionado:
Instituto de Tecnología de Massachusetts, MIT

Miembro Oro
Solid State Kv/Dose Multi-Sensor
AGMS-DM+
New
X-Ray Detector
FDR-D-EVO III
New
Ultrasound Doppler System
Doppler BT-200
New
Ultrasound Needle Guide
Ultra-Pro II

Print article

Canales

Radiografía

ver canal
Imagen: El software de reconocimiento de forma DL Precise mejora la precisión y la eficiencia en las imágenes médicas (Fotografía cortesía de DeepLook Medical)

Nueva tecnología de IA podría revolucionar detección del cáncer en senos densos

Casi la mitad de las mujeres de 40 años o más poseen un tejido mamario denso, lo que aumenta su susceptibilidad al cáncer de mama. El desafío de detectar el cáncer en... Más

RM

ver canal
Imagen: Se ha encontrado que 0.55T son suficiente para obtener una imagen de calidad diagnóstica de una resonancia magnética (Fotografía cortesía de 123RF)

Imágenes de resonancia magnética de 0,55 T de campo bajo ofrecen utilidad diagnóstica similar a la de 1,5 T para exploraciones abdominales

La resonancia magnética (RM) es una herramienta vital en el diagnóstico médico, pero el alto costo de los sistemas clínicos de cuerpo entero es una barrera importante.... Más

Ultrasonido

ver canal
Imagen: El ultrasonido intravascular proporciona una imagen más precisa y específica de las arterias coronarias (Fotografía cortesía de 123RF)

Imágenes intravasculares mejoran significativamente resultados en procedimientos de colocación de stent cardiovascular

Las personas con enfermedad de las arterias coronarias, que implica la acumulación de placa en las arterias que provoca síntomas como dolor en el pecho, dificultad para respirar y ataques... Más

Medicina Nuclear

ver canal
Imagen: La técnica de imágenes PET puede detectar de manera no invasiva la inflamación activa antes de que surjan síntomas clínicos (Fotografía cortesía de 123RF)

Nuevo trazador PET detecta artritis inflamatoria antes de que aparezcan síntomas

La artritis reumatoide, la forma más común de artritis inflamatoria, afecta a 18 millones de personas en todo el mundo. Es una enfermedad autoinmune compleja caracterizada por inflamación... Más

Imaginología General

ver canal
Imagen: La TC de tórax de rutina tiene potencial sin explotar para revelar a los pacientes en riesgo de enfermedad cardiovascular (Fotografía cortesía de Johns Hopkins)

Exámenes de TC tórax de rutina pueden identificar pacientes con riesgo de enfermedad cardiovascular

La enfermedad de las arterias coronarias (EAC) es la principal causa de muerte en el mundo. Los adultos sin síntomas pero en riesgo pueden ser detectados mediante tomografías computarizadas... Más

TI en Imaginología

ver canal
Imagen: La nueva Medical Imaging Suite hace que los datos de imágenes de atención médica sean más accesibles, interoperables y útiles (Fotografía cortesía de Google Cloud)

Nueva suite de imágenes médicas de Google Cloud hace los datos de imágenes médicas más accesibles

Las imágenes médicas son una herramienta fundamental que se utiliza para diagnosticar a los pacientes, y cada año se escanean miles de millones de imágenes médicas en... Más
Copyright © 2000-2024 Globetech Media. All rights reserved.