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 hp
Ingresar
Publique su anuncio con nosotros
GLOBETECH PUBLISHING LLC

Deascargar La Aplicación Móvil




Estudio revela el valor de usar tanto el conocimiento humano como la IA para detectar cáncer de mama

Por el equipo editorial de MedImaging en español
Actualizado el 06 May 2022
Imagen: Los radiólogos y los sistemas de IA muestran diferencias en las pruebas de cáncer de seno (Fotografía cortesía de Unsplash)
Imagen: Los radiólogos y los sistemas de IA muestran diferencias en las pruebas de cáncer de seno (Fotografía cortesía de Unsplash)

Según un nuevo estudio, los radiólogos y los sistemas de inteligencia artificial (IA) arrojan diferencias significativas en la evaluación de las pruebas de detección de cáncer de mama, lo que revela el valor potencial de utilizar tanto métodos humanos como de IA para realizar diagnósticos médicos.

El análisis, realizado por un equipo de investigadores de la Universidad de Nueva York (Nueva York, NY, EUA) se centró en una herramienta específica de IA: las redes neuronales profundas (DNN), que son capas de elementos informáticos, "neuronas", simuladas en una computadora. Una red de tales neuronas se puede entrenar para "aprender" construyendo muchas capas y configurando cómo se realizan los cálculos en función de la entrada de datos, un proceso llamado "aprendizaje profundo". Los científicos compararon las pruebas de detección de cáncer de mama leídas por los radiólogos con las analizadas por las DNN.

Los investigadores encontraron que los DNN y los radiólogos diferían significativamente en la forma en que diagnostican una categoría de cáncer de mama maligno llamada lesiones de tejidos blandos. Mientras que los radiólogos se basaron principalmente en el brillo y la forma, los DNN utilizaron pequeños detalles dispersos en las imágenes. Estos detalles también se concentraron fuera de las regiones consideradas más importantes por los radiólogos. Al revelar tales diferencias entre la percepción humana y la de las máquinas en el diagnóstico médico, los investigadores se abocaron a cerrar la brecha entre el estudio académico y la práctica clínica.

“Si bien la IA puede ofrecer beneficios en el cuidado de la salud, su toma de decisiones aún no es bien comprendida”, explica Taro Makino, candidato a doctorado en el Centro de Ciencia de Datos de la Universidad de Nueva York y autor principal del artículo. “Nuestros hallazgos dan un paso importante para comprender mejor cómo la IA llega a las evaluaciones médicas y, con ello, ofrecer un camino para mejorar la detección del cáncer”.

“El principal cuello de botella al trasladar los sistemas de IA al flujo de trabajo clínico es comprender su toma de decisiones y hacerlos más sólidos”, agregó Makino. “Vemos nuestra investigación como un avance en la precisión de las capacidades de la IA para realizar evaluaciones relacionadas con la salud al iluminar y luego abordar sus limitaciones actuales”.

“En estas pruebas de detección de cáncer de mama, los sistemas de IA consideran pequeños detalles en las mamografías que los radiólogos ven irrelevantes”, explicó Krzysztof Geras, Ph.D., profesor del Departamento de Radiología de la Facultad de Medicina Grossman de la NYU. “Esta divergencia en las lecturas debe entenderse y corregirse antes de que podamos confiar en los sistemas de IA para ayudar a tomar decisiones médicas críticas para la vida”.

Enlaces relacionados:
Universidad de Nueva York  

Wall Fixtures
MRI SERIES
Ultrasonic Pocket Doppler
SD1
3T MRI Scanner
MAGNETOM Cima.X
New
Diagnostic Ultrasound System
DC-80A

Canales

RM

ver canal
Imagen: una resonancia magnética cardíaca con contraste de un paciente con miocardiopatía hipertrófica considerado por MAARS con alto riesgo de muerte súbita (foto cortesía de la Universidad Johns Hopkins)

Modelo de IA supera a los médicos en la identificación de pacientes con mayor riesgo de paro cardíaco

La miocardiopatía hipertrófica es una de las cardiopatías hereditarias más comunes y una de las principales causas de muerte súbita cardíaca en jóvenes y deportistas.... Más

Ultrasonido

ver canal
Imagen: el nuevo dispositivo implantable para el tratamiento del dolor crónico es pequeño y flexible (foto cortesía de The Zhou Lab at USC)

Dispositivo inalámbrico para el manejo del dolor crónico reduce la necesidad de analgésicos y cirugía

El dolor crónico afecta a millones de personas en todo el mundo, lo que a menudo provoca discapacidad a largo plazo y dependencia de opioides, los cuales conllevan riesgos importantes de efectos... Más

Medicina Nuclear

ver canal
Imagen: la herramienta de diagnóstico podría mejorar las decisiones de diagnóstico y tratamiento para pacientes con infecciones pulmonares crónicas (foto cortesía de SNMMI)

Nueva técnica de PET específica para bacterias detecta infecciones pulmonares difíciles de diagnosticar

Mycobacteroides abscessus es una micobacteria de rápido crecimiento que afecta principalmente a pacientes inmunodeprimidos y a personas con enfermedades pulmonares preexistentes, como fibrosis... 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 © 2000-2025 Globetech Media. All rights reserved.