Modelo de aprendizaje profundo impulsado por IA cuenta con precisión tipos de células en imágenes de portaobjetos completos

Se necesitan métodos mejorados para contar tipos de células en imágenes de patología utilizando enfoques de aprendizaje profundo. Las técnicas actuales basadas en la segmentación y la regresión enfrentan desafíos como la necesidad de anotaciones precisas a nivel de píxel, dificultades para manejar núcleos superpuestos o regiones oscurecidas e información insuficiente sobre ubicaciones de tipos de células individuales. Además, los modelos probabilísticos tienden a producir predicciones inciertas y pueden dar lugar a predicciones con exceso de confianza. Los investigadores ahora han desarrollado un modelo avanzado de aprendizaje profundo para predecir y contar varios tipos de células en el microambiente tumoral, que se espera mejore la precisión y la eficiencia del diagnóstico del cáncer y la planificación del tratamiento.

La identificación de los diferentes tipos de células en el microambiente del tumor puede ofrecer información valiosa sobre la histología y la biología subyacente del tumor. El recuento de tipos de células preciso y fiable también es fundamental para la investigación y aplicaciones clínicas. Además, los recuentos de células se pueden utilizar para estudiar la distribución de diferentes tipos de células en el microambiente del tumor y su correlación con los resultados del paciente. En entornos clínicos, los recuentos de células pueden ayudar a monitorear la respuesta a la terapia y hacer seguimiento a la progresión de la enfermedad. Investigadores de la Universidad Finlandia Oriental (Kuopio, Finlandia) han propuesto un nuevo enfoque de aprendizaje profundo multitarea probatorio, llamado CT-EMT, para superar las limitaciones de los métodos actuales para el recuento de tipos de células en imágenes de tumores de portaobjetos completos. Este enfoque formula la estimación de densidad de tipo de célula y el conteo de tipo de célula como tareas de regresión, y la segmentación de núcleos como una tarea de clasificación a nivel de píxel.

El métoso de conteo y segmentación del tipo de célula propuesto ha superado a los modelos HoVer-Net y StarDist de última generación, con mejoras relativas del 21 % y el 12 % en términos de calidad panóptica media. El modelo desarrollado puede ofrecer interpretaciones persuasivas de diversos tipos de células y se puede aplicar a varias tareas de patología computacional, como la clasificación de tumores, el pronóstico y la planificación del tratamiento. Este trabajo allanará el camino para la creación de herramientas de patología digital más precisas y sólidas que puedan ayudar a los patólogos y médicos en el diagnóstico y tratamiento de pacientes con cáncer.

“El equipo de investigación de UEF Cancer AI tiene como objetivo explorar el potencial del uso de la tecnología de aprendizaje profundo en el análisis de datos de salud y cáncer”, dijo el investigador principal Hamid Behravan de la Universidad del Este de Finlandia. “Nuestro estudio implicará el desarrollo y la evaluación de algoritmos de aprendizaje profundo de vanguardia para analizar el cáncer y varios tipos de datos relacionados con la salud, incluidas imágenes médicas, datos genómicos y registros de salud electrónicos. Creemos que este enfoque tiene el potencial de mejorar significativamente la precisión y la eficiencia del diagnóstico y la planificación del tratamiento del cáncer de mama, así como de facilitar el descubrimiento de nuevos conocimientos y patrones en los datos sobre el cáncer. Esperamos que nuestra investigación contribuya al avance de la medicina de precisión y al desarrollo de enfoques más efectivos y personalizados para la prevención y el pronóstico del cáncer de mama”.

Enlaces relacionados:
Universidad de Finlandia Oriental

Visitar la expo >

Miembro Oro

Pharmacogenetics Panel

VeriDose Core Panel v2.0

Verification Panels for Assay Development & QC
Seroconversion Panels

New

TORCH Infections Test

TORCH Panel

New

Miembro Plata

Verification Panels for Assay Development & QC

Seroconversion Panels