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

High-Precision QA Tool
DEXA Phantom
New
Miembro Plata
X-Ray QA Device
Accu-Gold+ Touch Pro
Ultrasound Table
Women’s Ultrasound EA Table
Ultrasonic Pocket Doppler
SD1

Canales

Radiografía

ver canal
Imagen: la AI evalúa las mamografías mejor que los radiólogos (foto cortesía de la Universidad de Radboud)

Estrategia híbrida con IA mejora la interpretación de mamografías

Los programas de detección del cáncer de mama dependen en gran medida de la interpretación de las mamografías por parte de radiólogos, un proceso que requiere mucho tiempo... Más

Ultrasonido

ver canal
Imagen: la herramienta basada en ultrasonido NEOSONICS identifica de forma no invasiva los casos de meningitis infantil (foto cortesía de Newborn Solution)

Herramienta no invasiva basada en ultrasonido detecta con precisión la meningitis infantil

La meningitis, una inflamación de las membranas que rodean el cerebro y la médula espinal, puede ser mortal en bebés si no se diagnostica y trata a tiempo. Incluso con tratamiento, puede dejar daños permanentes,... 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
Imagen: un modelo de aprendizaje profundo basado en parches con un conjunto de datos de entrenamiento limitado para la segmentación de tumores hepáticos en TC con contraste (Yang et al. (2025), IEEE Access, 10.1109/Access.2025.3570728)

Modelo de IA segmenta con precisión tumores hepáticos a partir de tomografías computarizadas

El cáncer de hígado es el sexto tipo de cáncer más común en el mundo y una de las principales causas de muerte por cáncer. La segmentación precisa de los tumores hepáticos es crucial para el diagnóstico... 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.