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
GLOBETECH PUBLISHING LLC

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.

Modelo de IA muestra con precisión la presencia y ubicación del cáncer en imágenes patológicas

Por el equipo editorial de LabMedica en español
Actualizado el 17 Aug 2022
Print article
Imagen: El modelo de IA reduce el costo y el tiempo y aumenta la precisión del diagnóstico de cáncer (Fotografía cortesía de Pexels)
Imagen: El modelo de IA reduce el costo y el tiempo y aumenta la precisión del diagnóstico de cáncer (Fotografía cortesía de Pexels)

Por lo general, es necesario marcar con precisión la ubicación del sitio del cáncer en imágenes patológicas para resolver los problemas relacionados con la zonificación que indica la información de ubicación del cáncer, lo que lleva mucho tiempo y, por lo tanto, aumenta el costo. Los modelos de aprendizaje profundo existentes necesitan construir un conjunto de datos, en el que se dibujó con precisión la ubicación del cáncer, para especificar el sitio del cáncer. Ahora, los investigadores han desarrollado un modelo de aprendizaje profundo supervisado débilmente que puede mostrar con precisión la presencia y la ubicación del cáncer en imágenes patológicas basadas solo en datos donde el cáncer está presente. El modelo de aprendizaje profundo mejora la eficiencia y se espera que haga una contribución importante al campo de investigación relevante.

Los científicos del Instituto de Ciencia y Tecnología Daegu Gyeongbuk (DGIST, Daegu, Corea) desarrollaron el modelo de aprendizaje débilmente supervisado que zonifica los sitios de cáncer con solo datos aproximados como "si el cáncer en la imagen está presente o no" está bajo estudio activo. Sin embargo, habría un deterioro significativo en el rendimiento si el modelo de aprendizaje débilmente supervisado existente se aplicara a un gran conjunto de datos de imágenes patológicas donde el tamaño de una imagen es tan grande como unos pocos gigabytes. Para resolver este problema, los investigadores intentaron mejorar el rendimiento dividiendo la imagen patológica en parches, aunque los parches divididos pierden la correlación entre la información de ubicación y cada dato dividido, lo que significa que hay un límite para usar toda la información disponible.

En respuesta, el equipo de investigación descubrió una técnica de segmentación hacia el sitio del cáncer basada únicamente en los datos aprendidos que indican la presencia de cáncer por diapositiva. El equipo desarrolló una tecnología de compresión de imágenes patológicas que primero le enseña a la red a extraer efectivamente características significativas de los parches a través del aprendizaje contrastivo no supervisado y lo utiliza para detectar las características principales mientras mantiene la información de cada ubicación para reducir el tamaño de la imagen y mantener la correlación entre los parches. Más tarde, el equipo desarrolló un modelo que puede encontrar la región que es muy probable que tenga cáncer de las imágenes patológicas comprimidas usando un mapa de activación de clase y ubicar todas las regiones con alta probabilidad de que tengan cáncer de las imágenes patológicas completas usando un módulo de correlación de píxeles (PCM). El modelo de aprendizaje profundo recientemente desarrollado mostró una puntuación de coeficiente de similitud de dados (DSC) de hasta 81-84 solo con los datos de aprendizaje con etiquetas de cáncer a nivel de diapositiva en el problema de zonificación del cáncer. Superó significativamente el rendimiento de los métodos de nivel de parche propuestos anteriormente u otras técnicas de aprendizaje supervisadas débilmente (puntuación DSC: 20 - 70).

“El modelo desarrollado a través de este estudio ha mejorado en gran medida el rendimiento del aprendizaje débilmente supervisado de imágenes patológicas, y se espera que contribuya a mejorar la eficiencia de varios estudios que requieren análisis de imágenes patológicas”, dijo el profesor Park Sang-Hyun del Departamento de Ingeniería Robótica y Mecatrónica en DGIST. "Si podemos mejorar aún más la tecnología relacionada en el futuro, será posible usarla universalmente para varios problemas de zonificación de imágenes médicas".

Enlaces relacionados:
DGIST  

New
Proveedor de oro
Vaginosis Test
VAGINAL PANEL REALTIME PCR KIT
New
HBV Test
ELISA HBV Test Kit
New
RT-PCR Enzymes and Kits
QuantiNova Pathogen +IC Kit
New
Automatic Chemistry Analyzer
DS301

Print article
IIR Middle East

Canales

Diagnóstico Molecular

ver canal
Imagen: Kit de PCR en tiempo real para el virus de la viruela del mono y ortopoxvirus (Fotografía cortesía de Bioperfectus)

Bioperfectus lanza nuevos kits de detección de MPXV para mejor control del brote del virus de la viruela del mono

Desde enero de 2022, se han notificado casos de viruela del simio en casi 60.000 en 102 países y regiones. Según los datos presentados por la OMS, alrededor del 99 % de los casos en 95 lugares... Más

Tecnología

ver canal
Imagen: El dispositivo de recolección de sangre de OneDraw reduce significativamente los obstáculos para la recolección de sangre (Fotografía cortesía de Drawbridge Health)

Tecnología de recolección de sangre casi sin dolor permite realizar pruebas de alta calidad

Los análisis de sangre ayudan a los médicos a diagnosticar enfermedades y afecciones como el cáncer, la diabetes, la anemia y las enfermedades coronarias, así como a evaluar... Más

Industria

ver canal
Imagen: La colaboración proporcionará plataformas MDX POC asequibles para que los LMIC aumenten el acceso de las mujeres a los diagnósticos (Fotografía cortesía de PlusLife)

Pluslife y FIND establecen una colaboración para empoderar a países de ingresos bajos y medianos con pruebas moleculares POC de próxima generación en el cuidado de la salud de la mujer

Guangzhou Pluslife Biotechnology (Pluslife, Guangzhou, China) y la Fundación para Nuevos Diagnósticos Innovadores (FIND, Ginebra, Suiza) han iniciado una colaboración estratégica... Más
Copyright © 2000-2022 Globetech Media. All rights reserved.