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.

Presenta Sitios para socios Información LinkXpress hp
Ingresar
Publique su anuncio con nosotros
INTEGRA BIOSCIENCES AG

Descargar La Aplicación Móvil




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
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  

Miembro Platino
Analizador de coagulación automatizado
Hemolumi H6
βeta-Hydroxybutyrate Reagent
β-Hydroxybutyrate LiquiColor®
Miembro Oro
ANALIZADOR DE QUÍMICA CLÍNICA
PL-12
Miembro Oro
Automatic Hematology Analyzer
CF9600

Canales

Química Clínica

ver canal
Imagen: Resumen visual  (Ilana Teboul, Naama Shlush, Maya Droby, Yvonne Ventura, Robert A. Levine, Ayelet David; Polymeric Probe for Sensitive Diagnosis of Serum Endothelial Cell Adhesion Molecules in Rheumatic Heart Disease. ACS Sensors, 2026. https://doi.org/10.1021/acssensors.6c03085)

Prueba de sangre sin anticuerpos detecta biomarcador de cardiopatía reumática

La cardiopatía reumática (RHD) causa cientos de miles de muertes anualmente, afectando de manera desproporcionada a niños y adultos jóvenes en países de ingresos bajos y medianos.... Más

Hematología

ver canal
Imagen: Una nueva investigación que utiliza muestras de sangre almacenadas recolectadas a lo largo del tiempo ha rastreado el desarrollo de la leucemia mieloide aguda años y décadas antes del diagnóstico (Crédito de la imagen: Shutterstock)

Muestras de sangre seriadas revelan la evolución de la leucemia décadas antes del diagnóstico

La leucemia mieloide aguda (LMA) es un cáncer de la sangre agresivo que afecta aproximadamente a 2.700 personas en el Reino Unido cada año, y solo alrededor de una de cada seis pacientes... Más

Inmunología

ver canal
Imagen: El panel amplía la cartera de pruebas respiratorias de Cepheid en la plataforma GeneXpert, ofreciendo a los laboratorios una mayor flexibilidad a la hora de seleccionar pruebas basadas en las necesidades clínicas. (Foto cortesía de Cepheid)

Prueba de PCR multiplex obtiene marcado CE para apoyar el diagnóstico de infecciones respiratorias

Las infecciones respiratorias agudas suelen presentarse con síntomas superpuestos, lo que dificulta distinguir entre causas virales y bacterianas. Los picos estacionales de cuadros similares a la... Más

Microbiología

ver canal
Imagen: VITEK PRO combina la identificación microbiana y las pruebas de susceptibilidad a los antimicrobianos en una única plataforma para respaldar los flujos de trabajo de microbiología de rutina y la selección de antibióticos. (Foto cortesía de bioMérieux)

Sistema automatizado de identificación microbiana y susceptibilidad recibe autorización de la FDA

La resistencia a los antimicrobianos (RAM) es una de las principales amenazas para la salud pública mundial y causa una estimación de 1,27 millones de muertes al año.... Más

Tecnología

ver canal
Imagen: Módulos e interacciones clave en el sistema agente LabARIA.  (Yang, H.S., Pan, W., Cushing, M.M. et al. An agentic framework for intelligent clinical laboratory medicine. npj Health Systems (2026). https://doi.org/10.1038/s44401-026-00163-3)

Un marco de IA multiagente apoya el monitoreo de la calidad y el flujo de trabajo en el laboratorio

Los laboratorios clínicos analizan sangre, orina, tejidos y otros fluidos corporales para apoyar el diagnóstico y el tratamiento de enfermedades. El aumento del volumen de pruebas, la escasez... Más

Industria

ver canal
Imagen: La colaboración tiene como objetivo ampliar el acceso a la tecnología a través de una vía de diagnóstico clínico regulada en Japón.

Alianza busca llevar pruebas de sangre para la enfermedad de Alzheimer a Japón

La enfermedad de Alzheimer sigue siendo un desafío diagnóstico en aumento a medida que las poblaciones envejecen y el deterioro cognitivo se vuelve más frecuente. En Japón,... Más
Copyright © 2000-2026 Globetech Media. All rights reserved.