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




Google ensaya un algoritmo de IA para ayudar a detectar los cánceres de mama metastásicos

Por el equipo editorial de MedImaging en español
Actualizado el 30 Oct 2018
Imagen: Izquierda: vista de ejemplo de una lámina que contiene ganglios linfáticos, con múltiples artefactos: la zona oscura de la izquierda es una burbuja de aire, las rayas blancas son artefactos de corte, el tono rojo en algunas regiones son hemorragias (contienen sangre), el tejido es necrótico (en descomposición), y la calidad de procesamiento fue mala. Derecha: LYNA identifica la región tumoral en el centro (rojo) y clasifica correctamente las regiones circundantes cargadas de artefactos como no tumorales (azul) (Fotografía cortesía de Google AI).
Imagen: Izquierda: vista de ejemplo de una lámina que contiene ganglios linfáticos, con múltiples artefactos: la zona oscura de la izquierda es una burbuja de aire, las rayas blancas son artefactos de corte, el tono rojo en algunas regiones son hemorragias (contienen sangre), el tejido es necrótico (en descomposición), y la calidad de procesamiento fue mala. Derecha: LYNA identifica la región tumoral en el centro (rojo) y clasifica correctamente las regiones circundantes cargadas de artefactos como no tumorales (azul) (Fotografía cortesía de Google AI).
Los científicos de Google AI (Mountain View, CA, EUA) que desarrollan un algoritmo para detectar la propagación del cáncer de mama han publicado nuevas investigaciones que demuestran su promesa como una herramienta de ayuda para los patólogos.

Google AI había descrito su método basado en el aprendizaje profundo para mejorar la exactitud diagnóstica (LYmph Node Assistant, o LYNA) para el Desafío Camelyon ISBI 2016, que proporciona láminas de patología de ganglios linfáticos del tamaño de gigapixeles de pacientes con cáncer de mama para que los investigadores desarrollen algoritmos informáticos para detectar el cáncer metastásico. LYNA ha logrado tasas de detección de cáncer significativamente más altas que las reportadas anteriormente. En sus últimos estudios publicados, los científicos presentaron una herramienta de asistencia al patólogo, de prueba de concepto, basada en LYNA y su investigación de estos factores.

En el primer artículo, los científicos aplicaron su algoritmo para desidentificar las láminas de patología, tanto del Desafío Camelyon, como de un conjunto de datos independiente proporcionado por nuestros coautores en el Centro Médico Naval de San Diego. Este conjunto de datos adicional consistió en muestras de patología de un laboratorio diferente que utilizaron diferentes procesos, mejorando así la representación de la diversidad de láminas y artefactos observados en la práctica clínica habitual. LYNA demostró ser robusto a la variabilidad de la imagen y a numerosos artefactos histológicos, y logró un desempeño similar en ambos conjuntos de datos sin desarrollo adicional.

En ambos conjuntos de datos, LYNA pudo diferenciar correctamente una lámina con cáncer metastásico de una lámina sin cáncer el 99% de las veces. Además, LYNA podía identificar con exactitud la ubicación de ambos tipos de cáncer y otras regiones sospechosas dentro de cada lámina, a pesar de que algunas de ellas eran demasiado pequeñas para que los patólogos las detectaran de manera consistente. Con base en esto, los investigadores creen que un beneficio potencial de LYNA podría ser resaltar estas áreas de preocupación para que los patólogos revisen y determinen el diagnóstico final.

En su segundo artículo, seis patólogos certificados por la junta completaron una tarea de diagnóstico simulada en la que revisaron los ganglios linfáticos para detectar el cáncer de mama metastásico con y sin la asistencia de LYNA. Para la tarea, a menudo laboriosa, de detectar pequeñas metástasis (denominadas micrometástasis), el uso de LYNA hizo que la tarea fuese subjetivamente "más fácil" (según la dificultad diagnóstica autoinformada por los patólogos) y redujo a la mitad el tiempo de revisión de las láminas, requiriendo aproximadamente un minuto en lugar de dos minutos por lámina.

Esto indica el potencial intrigante de las tecnologías de asistencia como LYNA para reducir la carga de las tareas de identificación repetitivas y para permitir que los patólogos se concentren en otras tareas clínicas y de diagnóstico más desafiantes. En términos de exactitud diagnóstica, los patólogos en este estudio pudieron detectar micrometástasis con LYNA de manera más confiable, reduciendo la tasa de micrometástasis pasados por alto en un factor de dos. De manera alentadora, los patólogos con asistencia de LYNA fueron más exactos que los patólogos no asistidos o que el propio algoritmo de LYNA, lo que indica que las personas y los algoritmos pueden trabajar juntos de manera efectiva para obtener mejores resultados que cuando trabajan de forma independiente.

Enlace relacionado:
Google AI

Ultra-Flat DR Detector
meX+1717SCC
Medical Radiographic X-Ray Machine
TR30N HF
Pocket Fetal Doppler
CONTEC10C/CL
Digital X-Ray Detector Panel
Acuity G4

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

Imaginología General

ver canal
Imágenes de resultado positivo en examen de detección de colonografía por TC en un hombre asintomático de 67 años (foto cortesía de Radiology)

La colonografía por TC supera a la prueba de ADN en heces para la detección del cáncer de colon

Dado que el cáncer colorrectal sigue siendo la segunda causa principal de muertes relacionadas con el cáncer a nivel mundial, la detección temprana mediante pruebas de cribado es fundamental... 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.