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
Parker Laboratories

Deascargar La Aplicación Móvil




Eventos

ATENCIÓN: Debido a la EPIDEMIA DE CORONAVIRUS, ciertos eventos están siendo reprogramados para una fecha posterior o cancelados por completo. Verifique con el organizador del evento o el sitio web antes de planificar cualquier evento próximo.

Radiómica por TC ayuda a clasificar los nódulos pulmonares pequeños

Por el equipo editorial de MedImaging en español
Actualizado el 03 Feb 2021
Print article
Imagen: La radiómica por TC puede ayudar a clasificar la malignidad de los nódulos pulmonares (Fotografía cortesía de Getty Images)
Imagen: La radiómica por TC puede ayudar a clasificar la malignidad de los nódulos pulmonares (Fotografía cortesía de Getty Images)
Un algoritmo de aprendizaje automático (AA) puede ser muy exacto para clasificar los nódulos pulmonares muy pequeños que se encuentran en los programas de detección pulmonar por TC de dosis baja, según un estudio nuevo.

Investigadores del Centro de Investigación de Cáncer de la Columbia Británica (BCCRC; Vancouver, Canadá), entrenaron un algoritmo de AA de análisis discriminante lineal (LDA), utilizando datos del estudio Pancanadiense de Detección Temprana del Cáncer de Pulmón (PanCan) para caracterizar, analizar y clasificar nódulos pulmonares pequeños como malignos o benignos extrayendo aproximadamente 170 características radiómicas de textura y forma, siguiendo la segmentación de nódulos semiautomatizada en las imágenes. Luego compararon el desempeño del algoritmo con el de la calculadora de puntuación de riesgo de malignidad de próstata, pulmón, colorrectal y ovario (PLCO) m2012, en otro conjunto de datos.

La cohorte de estudio consistió en 139 nódulos malignos y 472 nódulos benignos que tenían aproximadamente el mismo tamaño. Los investigadores aplicaron restricciones de tamaño (basadas en los criterios de clasificación de Lung-RADS) para eliminar cualquier nódulo del conjunto de datos que ya se consideraría sospechoso, lo que incluiría cualquier nódulo con componentes sólidos de más de 8 mm de diámetro. Los resultados mostraron que el algoritmo de AA superó significativamente el modelo de predicción de riesgo (PLCO) m2012, especialmente cuando se agregaron datos demográficos al análisis radiómico. El estudio fue presentado en el Congreso Especial Virtual de la AACR sobre Inteligencia Artificial, Diagnóstico e Imagen, celebrado durante enero de 2021.

“Los mejores resultados se lograron en un subconjunto de pacientes menores de 64 años, mujeres, que no tenían enfisema, fumaban menos de 42 paquetes-año, no tenían antecedentes familiares de cáncer de pulmón y no eran fumadoras actuales”, dijo el autor principal y presentador del estudio, Rohan Abraham, PhD. “Combinado con el conocimiento y la experiencia de los médicos, esto tiene el potencial de permitir una intervención más temprana y reducir la necesidad de una TC de seguimiento”.

La clasificación actual de los nódulos pulmonares se basa en el tamaño del nódulo, un factor que es de uso limitado para los nódulos subcentimétricos, o en el tiempo de duplicación del volumen, una variable que requiere exámenes de TC de seguimiento. Como resultado, los nódulos pulmonares muy pequeños, con componentes sólidos de menos de 8 mm de diámetro (y, por lo tanto, por debajo del umbral de estratificación de riesgo Lung-RADS 4A), son muy difíciles de clasificar y, a menudo, se les da un plan de manejo de “esperar y ver”.

Enlace relacionado:
Centro de Investigación de Cáncer de la Columbia Británica


Print article
CIRS
Radcal

Canales

RM

ver canal
Imagen: Los colores de los mapas de color de GradCAM muestran la predicción de tumores (Fotografía cortesía de WUSTL)

Modelo de RM con IA clasifica los tumores intracraneales comunes

Un estudio nuevo afirma que un modelo 3D de inteligencia artificial (IA) es capaz de clasificar un tumor cerebral como uno de los seis tipos comunes a partir de un solo examen de resonancia magnética (RM).... Más

Imaginología General

ver canal
Imagen: El software Ultreon 1.0 mientras detecta calcificaciones de las arterias coronarias (Fotografía cortesía de Abbot)

Tecnología de TCO con IA toma imágenes de los vasos cardíacos

Un software innovador de imágenes combina inteligencia artificial (IA) y tomografía de coherencia óptica (TCO) para proporcionar una vista completa y mejorada del flujo sanguíneo coronario.... Más

Industria

ver canal
Imagen: AI-Rad Companion Chest CT genera automáticamente informes estandarizados, reproducibles y cuantitativos en formato DICOM SC (Fotografía cortesía de Siemens Healthineers).

Software para la TC de tórax basada en IA de Siemens Healthineers recibe aprobación de la FDA de los EUA

La Administración de Medicamentos y Alimentos de los Estados Unidos (FDA) aprobó tres módulos de AI-Rad Companion Chest CT, un asistente de software inteligente de Siemens Healthineers (Erlangen, Alemania)... Más
Copyright © 2000-2021 Globetech Media. All rights reserved.