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
02 feb 2019 - 07 feb 2019
16 feb 2019 - 21 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

Canales

Ultrasonido

ver canal
Imagen: El aprendizaje profundo y la inteligencia artificial (AI) transforman los exámenes de ultrasonido obstétrico en una experiencia más fácil, más rápida, más consistente y mucho más exacta (Fotografía cortesía de SonoScape).

Una tecnología con IA automatiza el flujo de trabajo del ultrasonido obstétrico

El algoritmo S-fetus de SonoScape Medical (Shenzhen, China), diseñado para el sistema de ultrasonido S60, ha sido diseñado para simplificar un procedimiento de ultrasonido obstétrico estándar reduciéndolo... Más

Medicina Nuclear

ver canal
Imagen: Un estudio nuevo afirma que la radioterapia axilar es una buena opción para tratar el cáncer de mama metastásico (Fotografía cortesía de Getty Images).

La radioterapia en las axilas y la cirugía del GLS muestran resultados comparables

De acuerdo con un estudio nuevo, las pacientes con cáncer de mama en etapa temprana tuvieron tasas de recurrencia y supervivencia similares tanto con la radioterapia (RT) como con la disección de los ganglios... Más

Imaginología General

ver canal
Imagen: El profesor Robert McLaughlin (D) con la aguja inteligente (Fotografía cortesía de la Universidad de Adelaida).

Una aguja para biopsias mediante imagenología hace que la cirugía cerebral sea más segura

Una aguja de biopsia nueva que contiene una sonda de tomografía de coherencia óptica (TCO) miniaturizada puede ayudar a los cirujanos a identificar y evitar los vasos sanguíneos durante la cirugía cerebral.... 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 © 2000-2019 Globetech Media. All rights reserved.