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
ZeptoMetrix an Antylia scientific company

Deascargar La Aplicación Móvil




Algoritmo de IA de autoaprendizaje utiliza imágenes patológicas para diagnosticar enfermedades raras

Por el equipo editorial de LabMedica en español
Actualizado el 13 Oct 2022
Print article
Imagen: El nuevo modelo actúa como motor de búsqueda para grandes bases de datos de imágenes de patología (Fotografía cortesía del Hospital Brigham and Women's)
Imagen: El nuevo modelo actúa como motor de búsqueda para grandes bases de datos de imágenes de patología (Fotografía cortesía del Hospital Brigham and Women's)

Las enfermedades raras suelen ser difíciles de diagnosticar y predecir el mejor curso de tratamiento puede ser un desafío para los médicos. Las bases de datos electrónicas modernas pueden almacenar una inmensa cantidad de registros digitales e imágenes de referencia, particularmente en patología a través de imágenes de diapositivas completas (WSI). Sin embargo, el tamaño en gigapíxeles de cada WSI individual y el número cada vez mayor de imágenes en grandes repositorios significa que la búsqueda y recuperación de WSI puede ser lenta y complicada. Como resultado, la escalabilidad sigue siendo un obstáculo importante para el uso eficiente. Para resolver este problema, los investigadores ahora han desarrollado un algoritmo de aprendizaje profundo que puede enseñarse a sí mismo a aprender características que luego se pueden usar para encontrar casos similares en grandes depósitos de imágenes de patología.

Conocida como SISH (siglas en inglés para búsqueda de imágenes autosupervisadas para histología), la nueva herramienta desarrollada por investigadores del Hospital Brigham and Women's (Boston, MA, EUA), actúa como un motor de búsqueda de imágenes patológicas y tiene muchas aplicaciones potenciales, incluida la identificación de enfermedades raras y ayudar a los médicos a determinar qué pacientes tienen probabilidades de responder a terapias similares. El algoritmo se enseña a sí mismo a aprender representaciones de características que se pueden usar para encontrar casos con características análogas en patología a una velocidad constante, independientemente del tamaño de la base de datos.

En su estudio, los investigadores probaron la velocidad y la capacidad de SISH para recuperar información de subtipo de enfermedad interpretable para cánceres comunes y raros. El algoritmo recuperó con éxito imágenes con velocidad y precisión de una base de datos de decenas de miles de imágenes de diapositivas completas de más de 22.000 casos de pacientes, con más de 50 tipos de enfermedades diferentes y más de una docena de sitios anatómicos. La velocidad de recuperación superó a otros métodos en muchos escenarios, incluida la recuperación de subtipos de enfermedades, particularmente cuando el tamaño de la base de datos de imágenes se amplió a miles de imágenes. Incluso mientras los depósitos se expandían en tamaño, SISH aún podía mantener una velocidad de búsqueda constante.

Sin embargo, el algoritmo de autoaprendizaje tiene algunas limitaciones, incluido un gran requerimiento de memoria, una conciencia limitada del contexto dentro de grandes diapositivas de tejido y el hecho de que está limitado a una sola modalidad de imagen. En general, el algoritmo demostró la capacidad de recuperar imágenes de manera eficiente independientemente del tamaño del repositorio y en diversos conjuntos de datos. También demostró capacidad en el diagnóstico de tipos de enfermedades raras y la capacidad de servir como motor de búsqueda para reconocer ciertas regiones de imágenes que pueden ser relevantes para el diagnóstico. Este trabajo puede informar en gran medida el diagnóstico, pronóstico y análisis de enfermedades futuras.

"Demostramos que nuestro sistema puede ayudar con el diagnóstico de enfermedades raras y encontrar casos con patrones morfológicos similares sin la necesidad de anotaciones manuales y grandes conjuntos de datos para el entrenamiento supervisado", dijo el autor principal Faisal Mahmood, PhD, en el Departamento de Patología de Brigham. “Este sistema tiene el potencial de mejorar la capacitación en patología, la subtipificación de enfermedades, la identificación de tumores y la identificación de morfologías raras”.

“A medida que el tamaño de las bases de datos de imágenes continúa creciendo, esperamos que SISH sea útil para facilitar la identificación de enfermedades”, agregó Mahmood. "Creemos que una dirección futura importante en esta área es la recuperación multimodal de casos, que implica el uso conjunto de datos de patología, radiología, genómica y registros médicos electrónicos para encontrar casos de pacientes similares".

Enlaces relacionados:
Hospital Brigham and Women's  

Miembro Oro
HISOPOS DE FIBRA FLOCADA
Puritan® Patented HydraFlock®
Verification Panels for Assay Development & QC
Seroconversion Panels
New
Luteinizing Hormone Assay
DRG LH-Serum ELISA Kit
New
Chagas Disease Test
LIAISON Chagas

Print article

Canales

Química Clínica

ver canal
Imagen: la QIP-MS podría predecir y detectar la recaída del mieloma más temprano en comparación con las técnicas utilizadas actualmente (foto cortesía de Adobe Stock)

Monitorización con espectrometría de masas predice e identifica recaída temprana del mieloma

El mieloma, un tipo de cáncer que afecta la médula ósea, es actualmente incurable, aunque muchos pacientes pueden vivir más de 10 años tras el diagnóstico.... Más

Inmunología

ver canal
Imagen: la prueba de células madre del cáncer puede elegir con precisión tratamientos más efectivos (fotografía cortesía de la Universidad de Cincinnati)

Prueba de células madre predice resultado del tratamiento en cáncer de ovario resistente al platino

El cáncer de ovario epitelial suele responder inicialmente a la quimioterapia, pero con el tiempo, el tumor desarrolla resistencia a la terapia, lo que provoca su recrecimiento. Esta resistencia... Más

Tecnología

ver canal
Imagen: Ziyang Wang y Shengxi Huang han desarrollado una herramienta que permite ideas precisas sobre proteínas virales y marcadores de enfermedades cerebrales (foto cortesía de Jeff Fitlow/Universidad Rice)

Algoritmo de firma ligera permite diagnósticos médicos más rápidos y precisos

Cada material o molécula interactúa con la luz de forma única, creando un patrón distintivo, similar a una huella dactilar. La espectroscopia óptica, que consiste en... Más
Copyright © 2000-2025 Globetech Media. All rights reserved.