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 hp
Ingresar
Publique su anuncio con nosotros
LGC Clinical Diagnostics

Deascargar La Aplicación Móvil




Red neuronal reconoce cáncer de mama en muestras histológicas con 100 % de precisión

Por el equipo editorial de LabMedica en español
Actualizado el 20 Feb 2024
Imagen: La red neuronal "atenta" reconoce el cáncer de mama con 96 % de precisión (Fotografía cortesía de la Universidad RUDN)
Imagen: La red neuronal "atenta" reconoce el cáncer de mama con 96 % de precisión (Fotografía cortesía de la Universidad RUDN)

La probabilidad de un resultado favorable para una paciente con cáncer de mama está muy influenciada por la etapa en la que se diagnostica el cáncer. El examen histológico es el punto de referencia para el diagnóstico, pero su confiabilidad puede verse afectada por interpretaciones subjetivas y la calidad de la muestra de tejido. Las imprecisiones en estos exámenes pueden conducir a diagnósticos incorrectos. Ahora, un equipo de matemáticos ha desarrollado un modelo de aprendizaje automático que mejora significativamente la precisión de la identificación del cáncer en imágenes histológicas. Lo más destacado de este modelo es la incorporación de un módulo adicional que aumenta la capacidad de "atención" de la red neuronal, permitiéndole alcanzar una precisión casi perfecta.

Los matemáticos de la Universidad RUDN (Moscú, Rusia) realizaron pruebas en varias redes neuronales convolucionales y las complementaron con dos módulos de atención convolucionales. Estos módulos son cruciales para detectar objetos dentro de las imágenes. El modelo se sometió a entrenamiento y pruebas utilizando el conjunto de datos BreakHis, que comprende casi 10.000 imágenes histológicas a varias escalas, procedentes de 82 pacientes. El rendimiento más impresionante provino de un modelo que combinó la red convolucional DenseNet211 con los módulos de atención, logrando una notable tasa de precisión del 99,6 %. El equipo de investigación observó que la detección de formaciones cancerosas se ve afectada por la escala de la imagen. Esto se debe a que las imágenes difieren en calidad en distintos niveles de zoom y las formaciones cancerosas aparecen de manera diferente. Por lo tanto, durante la aplicación práctica, seleccionar la escala adecuada para el análisis de imágenes debe ser una consideración crítica.

“La clasificación informática de las imágenes histológicas reducirá la carga de los médicos y aumentará la precisión de las pruebas. Estas tecnologías mejorarán el tratamiento y el diagnóstico del cáncer de mama. Los métodos de aprendizaje profundo han mostrado resultados prometedores en los problemas de análisis de imágenes médicas en los últimos años”, afirmó Ammar Muthanna, Ph.D., director del Centro Científico para el Modelado de Redes Inalámbricas 5G de la Universidad RUDN. “Los módulos de atención del modelo mejoraron la extracción de características y el desempeño general del modelo. Con su ayuda, el modelo se centró en áreas importantes de la imagen y resaltó la información necesaria. Muestra la importancia de los mecanismos de atención en el análisis de imágenes médicas”.

Enlaces relacionados:
Universidad RUDN

Miembro Oro
CONTROLADOR DE PIPETA SEROLÓGICA
PIPETBOY GENIUS
ANALIZADOR HEMATOLÓGICO DE 3 PARTES
Swelab Alfa Plus Sampler
New
Respiratory Syncytial Virus Test
OSOM® RSV Test
New
Toxoplasma Gondii Test
Toxo IgG ELISA

Canales

Diagnóstico Molecular

ver canal
Imagen: una familia de moléculas podría ayudar a diagnosticar y tratar el cáncer de mama (foto cortesía de Shutterstock)

Biomarcadores moleculares abren camino a nuevas pruebas para diagnosticar y predecir cáncer de mama

A pesar de desempeñar funciones esenciales en el desarrollo tisular y la protección inmunitaria, la contribución de los proteoglicanos al cáncer sigue siendo poco conocida.... Más

Inmunología

ver canal
Imagen: la inmunidad de células T podría ser un marcador para el tratamiento temprano del Parkinson (foto cortesía de Shutterstock)

Células T en la sangre pueden detectar Parkinson años antes del diagnóstico

Diagnosticar la enfermedad de Parkinson antes de la aparición de síntomas motores sigue siendo uno de los mayores retos de la neurología. Los pacientes pueden pasar años, incluso... Más

Microbiología

ver canal
Imagen: pruebas Lodestar UTI  para seis patógenos que juntos, causan alrededor del 85 % de todas las ITU (foto cortesía de Llusern Scientific)

Sistema portátil de análisis molecular POC descarta infecciones urinarias en 35 minutos

Las infecciones del tracto urinario (ITU) representan una carga enorme para los pacientes y los sistemas de salud. Cada año se producen más de 400 millones de casos de ITU en todo el mundo,... Más
Copyright © 2000-2025 Globetech Media. All rights reserved.