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 LabMedica website is also available in a complete English version
Presenta Sitios para socios Información LinkXpress
Ingresar
Publique su anuncio con nosotros
Abbott Diagnostics

Deascargar La Aplicación Móvil




Eventos

01 mar 2020 - 05 mar 2020
05 mar 2020 - 07 mar 2020
11 mar 2020 - 13 mar 2020

Inteligencia artificial logra desempeño casi humano en análisis de imágenes

Por el equipo editorial de Labmedica en español
Actualizado el 11 Jul 2016
Print article
Imagen: una micrografía que muestra un nódulo linfático invadido por carcinoma de mama ductal, con la extensión del tumor más allá de los ganglios linfáticos. Tinción con H&E. El color púrpura oscuro (centro) son linfocitos (parte de un ganglio linfático normal). Alrededor de los linfocitos extendiéndose a la grasa circundante (parte superior de la imagen) se encuentra el carcinoma ductal de mama (Fotografía cortesía de Michael Bonert/Wikimedia).
Imagen: una micrografía que muestra un nódulo linfático invadido por carcinoma de mama ductal, con la extensión del tumor más allá de los ganglios linfáticos. Tinción con H&E. El color púrpura oscuro (centro) son linfocitos (parte de un ganglio linfático normal). Alrededor de los linfocitos extendiéndose a la grasa circundante (parte superior de la imagen) se encuentra el carcinoma ductal de mama (Fotografía cortesía de Michael Bonert/Wikimedia).
Un equipo de investigación ha desarrollado un método de inteligencia artificial (IA) que capacita a los computadores para interpretar las imágenes de patología. En una reciente prueba del método, desarrollado para examinar imágenes de ganglios linfáticos, humanos, complementado con análisis de computador, juntos identificaron el cáncer de mama con 99,5% de exactitud.
 
El método fue puesto a prueba en una competición de “desafío” que tuvo lugar en el congreso anual 2016 del Simposio Internacional de Imágenes Biomédicas (ISBI; abril de 2016, Praga, República Checa). “La identificación de la presencia o ausencia de cáncer metastásico en los ganglios linfáticos de un paciente es una tarea de rutina y de importancia crítica para los patólogos”, dijo el líder del equipo, Prof. Andrew Beck, MD, PhD, patólogo del Centro Médico Beth Israel Deaconess (BIDMC; Boston, MA , EUA) y de la Facultad de Medicina de Harvard (HMS; Boston, MA, EUA). “Mirar por el microscopio para buscar a través de millones de células normales para identificar solo unas pocas células malignas puede resultar extremadamente laborioso usando métodos convencionales. Nos pareció que era una tarea que el computador podía hacer bastante bien - y esto resultó correcto”.
 
“Nuestro método de IA se basa en el aprendizaje profundo, un algoritmo de aprendizaje automático utilizado para una variedad de aplicaciones, incluyendo el reconocimiento de voz y el reconocimiento de imágenes”, explicó el profesor Beck. “Este método les enseña a las máquinas a interpretar los patrones complejos y la estructura observados en los datos de la vida real mediante la construcción de múltiples capas de redes neuronales artificiales, en un proceso que se cree que muestra similitudes con el proceso de aprendizaje que se produce en capas de neuronas en la neocorteza del cerebro, la región donde se produce el pensamiento”.
 
En una evaluación objetiva en que se les dieron a los investigadores láminas de células de nódulos linfáticos y se les pidió que determinaran sí o no, contenían cáncer, el método de diagnóstico automatizado del equipo fue exacto, aproximadamente el 92% del tiempo. “Esto casi coincidía con la tasa de éxito de un patólogo humano, cuyos resultados fueron 96% exactos”, dijo Aditya Khosla, del MIT, quien, con el profesor Beck, recientemente formaron una empresa de nueva creación, PathAI, para seguir desarrollando la tecnología de inteligencia artificial para patología.
 
“Lo verdaderamente emocionante fue obtenido cuando combinamos el análisis del patólogo con nuestro método de diagnóstico automatizado computacional; el resultado mejoró hasta un 99,5% de exactitud”, dijo el profesor Beck. “La combinación de estos dos métodos produjo una importante reducción de los errores”.
 
El equipo entrenó al equipo para diferenciar entre las regiones de tumores cancerosos y las regiones normales, con base en una profunda red de convolución de múltiples capas. “En nuestro método, empezamos con cientos de láminas de formación para los que un patólogo ha señalado regiones de cáncer y regiones de células normales”, dijo Dayong Wang, PhD. “Luego extrajimos millones de estos pequeños ejemplos de entrenamiento y utilizamos el aprendizaje profundo para construir un modelo computacional para clasificarlos”. “A continuación, identificamos los ejemplos específicos de entrenamiento para los que el equipo está propenso a cometer errores y re-entrenamos al equipo utilizando un mayor número de los ejemplos de entrenamiento más difíciles. De esta manera, el desempeño del equipo siguió mejorando”.
 
"Sólo recientemente, la digitalización, almacenamiento, procesamiento y los algoritmos, mejorados, han hecho posible conseguir esta misión con eficacia. Nuestros resultados en la competición ISBI mostraron que lo que el equipo está haciendo es realmente inteligente y que la combinación de interpretaciones humanas e informáticas darán lugar a diagnósticos más precisos y clínicamente más valiosos para guiar las decisiones de tratamiento”, dijo el profesor Beck.
 
Jeroen van der Laak, PhD, quien lidera un grupo de investigación de patología digital en el Centro Médico de la Universidad Radboud en Holanda y fue uno de los organizadores de la competencia, dijo: “Cuando empezamos este reto, esperábamos algunos resultados interesantes. El hecho de que los computadores tenían un desempeño casi comparable al de los seres humanos es mucho más de lo que habíamos anticipado. Es una clara indicación de que la IA le va a dar forma a la manera en que tratamos con imágenes histopatológicas en los años venideros”.
 

Enlaces relacionados:
 
Beth Israel Deaconess Medical Center
Harvard Medical School
 


Print article

Canales

Diagnóstico Molecular

ver canal
Imagen: Resumen de los hallazgos en tejidos primarios de mama BRCA2mut/+: las células epiteliales progenitoras de portadoras de BRCA2 de línea germinal heterocigótica exhiben daño en el ADN, estrés de replicación fallido y respuestas al daño, junto con apoptosis atenuada. Los análisis de pérdida de heterocigosidad (LOH) sugieren que estos hallazgos pueden reflejar un fenotipo haploinsuficiente para el BRCA2 in vivo (Fotografía cortesía del Hospital General de Massachusetts).

Secuenciación de una sola célula identifica el riesgo de cáncer de mama

Las mujeres que albergan mutaciones de BRCA2 en la línea germinal heterocigota tienen un riesgo del 50% al 80% de desarrollar cáncer de mama, aunque la patogénesis de estos cánceres es poco conocida.... Más

Hematología

ver canal
Imagen: El citómetro de flujo BD FACSVerse (Fotografía cortesía de BD Biosciences).

Analizan los perfiles inmunes en la médula ósea de la leucemia mieloide aguda

En la leucemia mieloide aguda (LMA), las células precursoras del linaje mieloide, modificadas por mutaciones somáticas y desregulación transcriptómica, se infiltran en la médula ósea (MO) e interrumpen... Más

Inmunología

ver canal
Imagen: Un melanoma en la piel de un paciente: una prueba nueva predice qué pacientes con melanoma tienen riesgo de hacer recurrencia del cáncer y metástasis (Fotografía cortesía del Instituto Nacional del Cáncer de los Estados Unidos).

Técnica predice el riesgo de que un melanoma haga recurrencia

Se pueden curar muchos melanomas primarios simplemente con extirpación de la lesión, pero el melanoma también puede reaparecer y diseminarse. Un análisis de la lesión extirpada puede ofrecer cierta información... Más

Tecnología de Lab

ver canal
Imagen: Esquema de una serie de nanotubos decorados con nanopartículas de oro que capturan moléculas virales para la espectroscopía Raman in situ con el fin de realizar identificación óptica de virus sin necesidad de etiquetas (Fotografía cortesía del profesor Mauricio Terrones)

Dispositivo rápido y económico captura e identifica virus

Actualmente, los virólogos estiman que en los animales se encuentran 1,67 millones de virus desconocidos, algunos de los cuales pueden ser transmitidos a los humanos. Los virus conocidos, como el H5N1,... Más

Industria

ver canal
Imagen: En 2019, se espera que los diagnósticos de laboratorio en un chip/microfluídicos crezcan al ritmo más rápido de TCAC, debido a su capacidad para reducir los procesos de laboratorio completos a un solo chip y acelerar el proceso de diagnóstico de enfermedades con resultados cuantitativos de alta precisión (Fotografía cortesía de Fotolia).

Mercado mundial de inmunoanálisis microfluidos llegará a los dos mil millones de dólares en 2025

Se espera que el mercado global de inmunoanálisis microfluídico crezca a una tasa anual compuesta del 12,7% desde 2019, a dos mil millones de dólares para 2025, impulsado por los mayores beneficios ofrecidos... Más
Copyright © 2000-2020 Globetech Media. All rights reserved.