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.
Please note that the MedImaging website is also available in a complete English version
Presenta Sitios para socios Información LinkXpress
Ingresar
Publique su anuncio con nosotros
Ampronix,  Inc

Download Mobile App




Una herramienta nueva de aprendizaje automático predice con exactitud el cáncer de próstata

Por el equipo editorial de Medimaging en español
Actualizado el 04 Mar 2019
Print article
Imagen: Los investigadores han desarrollado un marco de aprendizaje automático que puede diferenciar con mayor exactitud el cáncer de próstata de bajo y alto riesgo (Fotografía cortesía de iStock).
Imagen: Los investigadores han desarrollado un marco de aprendizaje automático que puede diferenciar con mayor exactitud el cáncer de próstata de bajo y alto riesgo (Fotografía cortesía de iStock).
Investigadores de la Facultad de Medicina Icahn en Monte Sinaí (Nueva York, NY, EUA) y de la Facultad de Medicina Keck de la Universidad del Sur de California (Los Ángeles, CA, EUA) han desarrollado un marco de aprendizaje automático que puede diferenciar entre el cáncer de próstata de bajo y alto riesgo con mayor precisión que nunca. Se espera que el marco ayude a los médicos, en particular a los radiólogos, a identificar las opciones de tratamiento con mayor exactitud para los pacientes con cáncer de próstata, reduciendo la necesidad de una intervención clínica innecesaria.

Los métodos estándar que se utilizan actualmente para evaluar el riesgo de cáncer de próstata son las imágenes de resonancia magnética multiparamétricas (mpMRI), que detectan lesiones de próstata, y el Sistema de Datos e Informes de Imágenes de Próstata, versión 2 (PI-RADS v2), un sistema de calificación de cinco puntos que clasifica las lesiones encontradas en la mpMRI. Estas herramientas predicen sólidamente la probabilidad de un cáncer de próstata clínicamente significativo. Sin embargo, la puntuación PI-RADS v2 es subjetiva y no distingue claramente entre los niveles de cáncer intermedio y maligno (puntuaciones 3, 4 y 5), lo que resulta en diferentes interpretaciones entre los médicos, la mayor parte de las veces.

Para remediar este inconveniente, se ha propuesto combinar el aprendizaje automático con la radiografía, una rama de la medicina que utiliza algoritmos para extraer grandes cantidades de características cuantitativas de las imágenes médicas. Mientras que otros estudios solo han probado un número limitado de métodos de aprendizaje automático para abordar esta limitación, los investigadores de Monte Sinaí y USC han desarrollado un marco predictivo que evaluó de manera rigurosa y sistemática muchos de esos métodos para identificar el que tiene el mejor desempeño. El marco también aprovecha conjuntos de datos de entrenamiento y validación más amplios que los estudios anteriores, permitiendo a los investigadores clasificar el cáncer de próstata de los pacientes con alta sensibilidad y un valor predictivo aún mayor.

“Al combinar de manera rigurosa y sistemática el aprendizaje automático con la radiografía, nuestro objetivo es proporcionar a los radiólogos y al personal clínico una herramienta de predicción sólida que se pueda traducir en una atención al paciente más efectiva y personalizada”, dijo Gaurav Pandey, PhD, Profesor Asistente de Genética y Ciencias Genómicas en la Facultad de Medicina Icahn en Monte Sinaí y autor correspondiente principal de la publicación junto con el coautor correspondiente, Bino Varghese, PhD, Profesor Asistente de Investigación en Radiología en la Facultad de Medicina Keck en la USC. “El camino para predecir la progresión del cáncer de próstata con alta exactitud está en permanente mejora y creemos que nuestro marco objetivo es un avance muy necesario”.

Enlace relacionado:
Facultad de Medicina Icahn en Monte Sinaí
Facultad de Medicina Keck de la Universidad del Sur de California



Print article

Canales

Radiografía

ver canal
Imagen: Un estudio nuevo sugiere que proteger a los pacientes durante las radiografías de diagnóstico podría ser contraproducente (Fotografía cortesía de Rebecca Milman Marsh / Shutterstock).

Un nuevo estudio cuestiona los beneficios de proteger a los pacientes durante los exámenes de radiografía

Un estudio nuevo afirma que proteger a los pacientes durante las radiografías de diagnóstico proporciona beneficios insignificantes y aumenta los riesgos. Un estudio escrito por investigadores de la... Más

Imaginología General

ver canal
Imagen: La resonancia magnética ZTE muestra resultados similares a la tomografía computarizada (Fotografía cortesía de 123rf).

Resonancia magnética del cráneo con ZTE es comparable a las imágenes de tomografía computarizada

Un estudio nuevo sugiere que la resonancia magnética del cráneo con tiempo de eco cero (ZTE) podría proporcionar una alternativa clínica a la tomografía computarizada (TC) en pacientes con traumas radiosensibles,... Más

TI en Imaginología

ver canal
Imagen: El software empresarial uPath proporciona mejores herramientas de patología digital (Fotografía cortesía de Roche).

Un software de patología digital mejora la eficiencia del flujo de trabajo

Una plataforma de software novedosa reduce drásticamente los tiempos de generación de imágenes, integra el análisis automatizado de imágenes y permite un mejor intercambio de casos entre patólogos.... Más
Copyright © 2000-2019 Globetech Media. All rights reserved.