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
Thales AVS France

Deascargar La Aplicación Móvil




Método nuevo de IA predice el cáncer de mama con cinco años de antelación

Por el equipo editorial de Medimaging en español
Actualizado el 22 May 2019
Print article
Imagen: Se espera que un método nuevo de inteligencia artificial, para detectar el cáncer de mama, supere los métodos existentes que no cumplen con sus predicciones (Fotografía cortesía del MIT).
Imagen: Se espera que un método nuevo de inteligencia artificial, para detectar el cáncer de mama, supere los métodos existentes que no cumplen con sus predicciones (Fotografía cortesía del MIT).
Investigadores de dos instituciones importantes han desarrollado una herramienta nueva con métodos avanzados de inteligencia artificial (IA) para predecir el riesgo futuro de cáncer de mama en una mujer. Los modelos disponibles actualmente que utilizan factores como el historial familiar y la genética no son suficientes para predecir la probabilidad de que una mujer sea diagnosticada con cáncer de mama.

En algunos modelos, se agregó la densidad mamaria (la cantidad de tejido denso en comparación con la cantidad de tejido graso en la mama en una mamografía) para mejorar la evaluación del riesgo, ya que es un factor de riesgo independiente para el cáncer de mama. Dado que se basa en una evaluación subjetiva que puede variar entre los radiólogos, se ha estudiado el aprendizaje profundo, un subconjunto de la IA en el que las computadoras aprenden con el ejemplo, como una forma de estandarizar y automatizar estas mediciones.

Adam Yala, un candidato a Ph.D. en el Instituto de Tecnología de Massachusetts (MIT), en colaboración con Regina Barzilay, Ph.D., una experta en inteligencia artificial y profesora de MIT, y Constance Lehman, MD, Ph.D., jefe de imagenología de mama en el Hospital General de Massachusetts y profesora de radiología en la facultad de medicina de Harvard, compararon recientemente tres métodos diferentes de evaluación de riesgos.

El primer modelo se basó en los factores de riesgo tradicionales, el segundo en el aprendizaje profundo que usó solo la mamografía y el tercero en un enfoque híbrido que incorporó tanto la mamografía como los factores de riesgo tradicionales en el modelo de aprendizaje profundo. Los investigadores utilizaron casi 90.000 mamografías de detección de alta resolución de aproximadamente 40.000 mujeres para entrenar, validar y probar el modelo de aprendizaje profundo. Pudieron obtener resultados de cáncer a través de la vinculación con un registro regional de tumores.

Los modelos de aprendizaje profundo produjeron una discriminación de riesgo sustancialmente mejorada con respecto al modelo de Tyrer-Cuzick, un estándar clínico actual que utiliza la densidad mamaria en el riesgo de factorización. Al comparar el modelo de aprendizaje profundo híbrido con la densidad de los senos, los investigadores encontraron que las pacientes con senos no densos y con alto riesgo evaluado por el modelo tenían 3,9 veces la incidencia de cáncer de las pacientes con senos densos y bajo riesgo evaluado por el modelo. Las ventajas se mantuvieron para los diferentes subgrupos de mujeres.

“Hay mucha más información en una mamografía que solo las cuatro categorías de densidad mamaria. A través del uso del modelo de aprendizaje profundo, aprendemos señales sutiles que son indicativas de un futuro cáncer”, dijo Yala. “Hay una gran cantidad de información en una mamografía de resolución completa que los modelos de riesgo de cáncer de mama no han podido usar hasta hace poco. Con el aprendizaje profundo, podemos aprender a aprovechar esa información directamente de los datos y crear modelos que sean significativamente más exactos en diversas poblaciones”.

“A diferencia de los modelos tradicionales, nuestro modelo de aprendizaje profundo funciona igualmente bien en diversas razas, edades e historias familiares”, dijo la Dra. Barzilay. “Hasta ahora, las mujeres afroamericanas se encontraban en una clara desventaja al momento de realizarles una evaluación de riesgo exacta del futuro cáncer de mama. Nuestro modelo de IA ha cambiado eso”.

“Un elemento faltante para apoyar programas de detección más efectivos y personalizados ha sido las herramientas de evaluación de riesgos que sean fáciles de implementar y que funcionen en toda la diversidad de mujeres a las que atendemos”, dijo el Dr. Lehman. “Estamos encantados con nuestros resultados y ansiosos por trabajar en estrecha colaboración con nuestros sistemas de atención médica, nuestros proveedores y, lo más importante, nuestros pacientes para incorporar este descubrimiento en resultados mejorados para todas las mujeres”.

Enlace relacionado:
Instituto de Tecnología de Massachusetts, MIT


Print article
Radcal
Control-X Medical

Canales

Radiografía

ver canal
Imagen: El sistema de RF FluoroSpeed X1 edition (Fotografía cortesía de Shimadzu Medical Systems)

Mesa novedosa de RF mejora los flujos de trabajo y las eficiencias de los operadores

Un sistema de mesa de radio/fluoroscopia (RF), convencional, multifuncional, realiza fácilmente exámenes fluoroscópicos y radiográficos bariátricos y de rutina diarios. El sistema de RF FluoroSpeed... Más

Imaginología General

ver canal
Imagen: El sistema CBCT con soporte de peso HiRise escanea extremidades enteras (Fotografía cortesía de Curvebeam)

Sistema CBCT bilateral con soporte de peso toma imágenes de la cadera y la pelvis

Un sistema de imagenología de tomografía computarizada (TC) con soporte de peso en investigación puede evaluar la alineación total de la pierna en tres dimensiones (3D). El sistema de soporte de peso... 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.