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
Sysmex America, Inc.

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.

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

Química Clínica

ver canal
Imagen: Espectrómetro de masas Q Exactive Hybrid Quadrupole-Orbitrap (Fotografía cortesía de Thermo Fisher Scientific).

Prueba nueva en sangre predice las enfermedades psicóticas antes de que emerjan

Solo alrededor de una cuarta parte de los jóvenes que muestran síntomas psicóticos leves y transitorios a una edad temprana finalmente desarrollan un trastorno psicótico grave. La esquizofrenia, por ejemplo,... Más

Diagnóstico Molecular

ver canal
Imagen: La secuenciación del exoma del recién nacido podría complementar otros métodos de cribado de los recién nacidos (Fotografía cortesía de Sushytska).

Secuenciación podría complementar otros métodos de cribado de recién nacidos

El examen de cribado de los recién nacidos (NBS) se estableció como un programa de salud pública en la década de 1960 y es crucial para facilitar la detección de ciertas afecciones médicas en las que la... Más

Hematología

ver canal
Imagen: El analizador de hematología, Mindray BC-2800, totalmente automático con 19 parámetros para el análisis de hemogramas para uso hospitalario (Fotografía cortesía de Mindray).

Detectan aglutinación cuantitativa en un analizador automático de hematología

Los métodos de identificación de la aglutinación actualmente disponibles son los métodos de portaobjetos y los métodos de tubo de ensayo. Basándose en la distribución, uniformidad y cambios integrales... Más

Inmunología

ver canal
Imagen: El aumento de la activación de las células MAIT e iNKT se asocia con un mejor resultado en pacientes con COVID-19 grave (Fotografía cortesía de la Universidad de Tours).

Células T no convencionales en pacientes con COVID-19 predicen el resultado de la enfermedad

Si bien la mayoría de las personas infectadas con el virus del SARS-CoV-2 experimentan síntomas relativamente leves, algunos pacientes desarrollan una respuesta inflamatoria aberrante que puede dañar los... Más

Microbiología

ver canal
Imagen: Visualización de los resultados de la prueba Loopamp Trypanosoma cruzi a simple vista, los tubos 1 (control negativo) y 5 fueron negativos, pero el # 5 fue positivo en la qPCR con una carga de ADN muy baja (Fotografía cortesía del Laboratorio de Biología Molecular de la Enfermedad de Chagas).

Kit de amplificación isotérmica mediada por bucle detecta la enfermedad de Chagas

La enfermedad de Chagas (EC), también conocida como tripanosomiasis americana, es una enfermedad tropical desatendida, causada por el parásito protozoario Trypanosoma cruzi que afecta entre seis y siete... Más

Tecnología

ver canal
Imagen: Ilustración que muestra la formación de tumores en los tejidos de la orofaringe (Fotografía cortesía de Wikimedia Commons)

Análisis de biopsia líquida basada en microARN para el diagnóstico precoz del cáncer de cabeza y cuello

Se ha desarrollado un ensayo de biopsia líquida, basado en microARN, que permite el diagnóstico temprano del carcinoma escamocelular de orofaringe, una enfermedad que causa cientos de miles de muertes cada año.... Más

Industria

ver canal
Ilustración

Sysmex presenta tecnología avanzada en análisis en el Simposio Internacional Virtual en Diagnóstico Integral

La primera participación de la compañía en este formato estará marcada por un stand virtual y una conferencia en el programa oficial. Sysmex es una compañía multinacional japonesa especializada en Soluciones... Más
Copyright © 2000-2020 Globetech Media. All rights reserved.