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
Ampronix,  Inc

Eventos

28 ene 2019 - 01 feb 2019

Un método basado en la IA reduce los falsos positivos en la mamografía

Por el equipo editorial de Medimaging en español
Actualizado el 24 Oct 2018
Print article
Imagen: Un estudio nuevo afirma que la inteligencia artificial (IA) puede ayudar a los radiólogos a diferenciar las mamografías falsas positivas de las mamografías malignas y negativas (Fotografía cortesía de iStock).
Imagen: Un estudio nuevo afirma que la inteligencia artificial (IA) puede ayudar a los radiólogos a diferenciar las mamografías falsas positivas de las mamografías malignas y negativas (Fotografía cortesía de iStock).
Un equipo de investigadores de la Universidad de Pittsburgh (Pittsburgh, PA, EUA) ha desarrollado un método de inteligencia artificial (IA) basado en una red neuronal convolucional de aprendizaje profundo (CNN, por sus siglas en inglés) que podría identificar características de imágenes mamográficas matizadas específicas en las pacientes a quienes se le solicitó una segunda mamografía, pero que muestran resultados benignos (falsas positivas) y diferenciar dichas mamografías de aquellas identificadas como malignas o negativas.

Los investigadores realizaron un estudio para determinar si se podría aplicar un aprendizaje profundo para analizar un gran conjunto de mamografías con el fin de distinguir imágenes de mujeres con un diagnóstico maligno, imágenes de mujeres a quienes se les hizo una segunda mamografía y que luego se determinó que tenían lesiones benignas y las imágenes de mujeres que se determinó que estaban libres de cáncer de mama en el momento del examen.

Los investigadores utilizaron un total de 14.860 imágenes de 3.715 pacientes de dos conjuntos de datos de mamografía independientes, el conjunto de datos de mamografía digital de campo completo (FFDM - 1.303 pacientes) y el conjunto de datos digitales de mamografía (DDSM - 2.412 pacientes). Construyeron modelos de CNN y utilizaron métodos de entrenamiento de modelos mejorados para investigar seis escenarios de clasificación que ayudarían a diferenciar las imágenes de las mamografías benignas, las malignas y las que requieren un segundo examen. Al combinar los conjuntos de datos de FFDM y DDSM, el área bajo la curva (AUC) para diferenciar las imágenes benignas, las malignas y las benignas en un segundo examen varió de 0,76 a 0,91. Cuanto más alto es el AUC, mejor será el desempeño, con un máximo de 1, según Shandong Wu, PhD, profesor asistente de radiología, informática biomédica, bioingeniería, sistemas inteligentes y ciencias clínicas y de traducción, y director de Computación Inteligente para el Laboratorio de Imagenología Clínica en el Departamento de Radiología de la Universidad de Pittsburgh, Pennsylvania.

"Demostramos que hay características de imágenes únicas para las imágenes benignas en segunda instancia que el aprendizaje profundo puede identificar y potencialmente ayudar a los radiólogos a tomar mejores decisiones sobre si una paciente debe ser examinada nuevamente o es más probable que sea un resultado falso positivo", dijo Wu. "Basados en la capacidad constante de nuestro algoritmo para discriminar todas las categorías de imágenes de mamografía, nuestros hallazgos indican que efectivamente existen algunas características distintivas únicas de las imágenes en que se solicita un segundo examen innecesariamente. Nuestros modelos de IA pueden complementar a los radiólogos en la lectura de estas imágenes y, en última instancia, beneficiar a las pacientes ayudando a reducir las solicitudes innecesarias para un segundo examen".


Enlace relacionado:
Universidad de Pittsburgh



Print article
Italray
Radcal

Canales

Radiografía

ver canal
Imagen: Un tablero de instrumentos con un detector de pantalla plana revista automáticamente la salud del sistema de RD (Fotografía cortesía de Konica Minolta).

Un tablero de control con pantalla plana analiza el desempeño por región anatómica

Un tablero de control con detector de pantalla plana (FPD) integral para radiografía digital (RD) recolecta y agrega automáticamente los datos de salud y uso del sistema en visiones analíticas potentes.... Más

Medicina Nuclear

ver canal
Imagen: un nuevo estudio sugiere que la WBRT que evita el hipocampo puede preservar la función cognitiva (Fotografía cortesía de Getty Images).

Una técnica nueva de radioterapia cerebral total reduce el riesgo de deterioro neurocognitivo

Según un estudio nuevo, los efectos cognitivos adversos de la radioterapia cerebral total (WBRT, por sus siglas en inglés) se pueden mitigar de manera significativa mediante el uso de una técnica de preservación... Más

TI en Imaginología

ver canal
Imagen: Un simple portal para pacientes almacena imágenes e informes (Fotografía cortesía de Intelerad).

Un portal centrado en los pacientes facilita el acceso a la imagenología directa

Un portal nuevo de imagenología brinda a los pacientes acceso directo a su historial de exámenes, imágenes e informes en cualquier momento y en cualquier lugar. La plataforma de imágenes en la nube... Más
Copyright © 2000-2018 Globetech Media. All rights reserved.