Entrenamiento en elasticidad ayuda a la IA a diagnosticar el cáncer de mama
Por el equipo editorial de HospiMedica en español Actualizado el 31 Jul 2019 |
Según un estudio nuevo, se pueden usar algoritmos de inteligencia artificial (IA) para identificar la heterogeneidad elástica de ultrasonido de un tumor, con el fin de diferenciar los tumores benignos de sus contrapartes malignas.
Investigadores de la Universidad del Sur de California (USC; Los Ángeles, EUA), del Instituto Politécnico Rensselaer (RPI; Troy, Nueva York, EUA) y de otras instituciones, crearon modelos basados en la física que simulaban los niveles variables de las dos propiedades clave de ultrasonido de un tumor de mama canceroso: heterogeneidad elástica y respuesta elástica no lineal. Luego utilizaron miles de entradas de datos derivadas de los modelos para entrenar una red neuronal convolucional (RNC) profunda para clasificar los tumores como malignos o benignos.
Se entrenó una RNC de 5 capas con 8.000 muestras para heterogeneidad, y una RNC de 4 capas con 4.000 muestras para la elasticidad no lineal. Cuando se consultó sobre imágenes sintéticas adicionales, las RNC lograron exactitudes de clasificación de 99,7% a 99,9%. Luego, los investigadores aplicaron el clasificador de elasticidad no lineal, que se entrenó completamente utilizando datos simulados, para clasificar las imágenes de desplazamiento obtenidas de diez pacientes con lesiones mamarias; la RNC clasificó correctamente ocho de cada diez casos.
“El consenso general es que estos tipos de algoritmos tienen un papel importante que desempeñar, incluso de los profesionales de imágenes sobre los que tendrán más impacto”, dijo el autor principal, el profesor, Assad Oberai, PhD, del departamento de ingeniería mecánica y aeroespacial de la USC. “Sin embargo, estos algoritmos serán más útiles cuando no sirven como cajas negras, sino que son una herramienta que ayuda a guiar a los radiólogos a conclusiones más exactas”.
La elastografía se basa en la generación de ondas de corte determinadas por el desplazamiento de los tejidos, inducido por la fuerza de un haz de ultrasonido enfocado o por una presión externa. Las ondas de corte son ondas laterales, con un movimiento perpendicular a la dirección de la fuerza generadora, que viajan lentamente y son atenuadas rápidamente por el tejido. La velocidad de propagación de las ondas de corte se correlaciona con la elasticidad del tejido.
Enlace relacionado:
Universidad del Sur de California
Instituto Politécnico Rensselaer
Investigadores de la Universidad del Sur de California (USC; Los Ángeles, EUA), del Instituto Politécnico Rensselaer (RPI; Troy, Nueva York, EUA) y de otras instituciones, crearon modelos basados en la física que simulaban los niveles variables de las dos propiedades clave de ultrasonido de un tumor de mama canceroso: heterogeneidad elástica y respuesta elástica no lineal. Luego utilizaron miles de entradas de datos derivadas de los modelos para entrenar una red neuronal convolucional (RNC) profunda para clasificar los tumores como malignos o benignos.
Se entrenó una RNC de 5 capas con 8.000 muestras para heterogeneidad, y una RNC de 4 capas con 4.000 muestras para la elasticidad no lineal. Cuando se consultó sobre imágenes sintéticas adicionales, las RNC lograron exactitudes de clasificación de 99,7% a 99,9%. Luego, los investigadores aplicaron el clasificador de elasticidad no lineal, que se entrenó completamente utilizando datos simulados, para clasificar las imágenes de desplazamiento obtenidas de diez pacientes con lesiones mamarias; la RNC clasificó correctamente ocho de cada diez casos.
“El consenso general es que estos tipos de algoritmos tienen un papel importante que desempeñar, incluso de los profesionales de imágenes sobre los que tendrán más impacto”, dijo el autor principal, el profesor, Assad Oberai, PhD, del departamento de ingeniería mecánica y aeroespacial de la USC. “Sin embargo, estos algoritmos serán más útiles cuando no sirven como cajas negras, sino que son una herramienta que ayuda a guiar a los radiólogos a conclusiones más exactas”.
La elastografía se basa en la generación de ondas de corte determinadas por el desplazamiento de los tejidos, inducido por la fuerza de un haz de ultrasonido enfocado o por una presión externa. Las ondas de corte son ondas laterales, con un movimiento perpendicular a la dirección de la fuerza generadora, que viajan lentamente y son atenuadas rápidamente por el tejido. La velocidad de propagación de las ondas de corte se correlaciona con la elasticidad del tejido.
Enlace relacionado:
Universidad del Sur de California
Instituto Politécnico Rensselaer
Últimas TI noticias
- Modelo de aprendizaje automático mejora predicción del riesgo de mortalidad para pacientes de cirugía cardíaca
- Colaboración estratégica para desarrollar e integrar IA generativa en el cuidado de la salud
- Solución de quirófanos habilitada para IA ayuda a hospitales a maximizar la utilización y desbloquear la capacidad
- IA predice cáncer de páncreas tres años antes del diagnóstico a partir de registros médicos de los pacientes
- Primer sistema de autorizaciones médicas personalizadas de IA generativa totalmente autónoma reduce el retraso en la atención
- Según un estudio, registros médicos electrónicos pueden ser clave para mejorar la atención al paciente
- IA entrenada para biomarcadores vocales específicos podría predecir con precisión enfermedad de arterias coronarias
- Inteligencia artificial detecta las fracturas en los rayos X con exactitud
- Lectura capacitada por IA aumenta la exactitud de la mamografía
- Herramienta estadística predice los picos de COVID-19 en todo el mundo
- Sistema inteligente para detectar la fiebre y los contactos ayuda a que los negocios puedan reabrir
- Tecnología nueva permite la identificación a través de una máscara
- Servicio de ciberseguridad protege los dispositivos médicos de ataques
- Inteligencia artificial puede detectar los niveles de glucosa a través del ECG
- Implante neural suave de control inalámbrico estimula las células del cerebro
- Stent pequeño de polímero podría tratar las estenosis uretrales pediátricas