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.

LabMedica

Deascargar La Aplicación Móvil
Noticias Recientes Expo COVID-19 Química Clínica Diagnóstico Molecular Hematología Inmunología Microbiología Patología Tecnología Industria Focus

Inteligencia artificial mejora diagnóstico de cáncer de mama

Por el equipo editorial de LabMedica en español
Actualizado el 05 Jan 2018
Un estudio que comparó la capacidad de los algoritmos de Inteligencia Artificial (AI) con la de patólogos expertos para la detección de cáncer de mama metastásico mediante el estudio de imágenes de láminas completas encontró que el aprendizaje automático era mejor que los patólogos. Los resultados del estudio publicado en la revista Journal of the American Medical Association, sugieren que los algoritmos de aprendizaje profundo tienen la capacidad de mejorar el diagnóstico y se podrían usar para ayudar a los médicos a detectar el cáncer en la clínica.
 
El estudio enfrentó a 11 patólogos con limitaciones de tiempo y a un patólogo sin restricciones de tiempo frente a siete algoritmos de aprendizaje profundo para analizar un conjunto de datos de entrenamiento de imágenes de láminas completas: 110 con y 160 sin metástasis ganglionares verificadas. De las 49 láminas para análisis con enfermedad metastásica, los patólogos encontraron 31 en promedio, mientras que el patólogo que pudo trabajar sin restricción de tiempo identificó correctamente 46 de 49 láminas con cáncer y 79 de 80 diapositivas sin cáncer.
 
Entre los siete algoritmos de aprendizaje profundo, el mejor algoritmo tuvo un desempeño significativamente mejor en la tarea de clasificación de imágenes de láminas completas, en comparación con los patólogos que trabajaron con limitaciones de tiempo. El desempeño medio de los cinco algoritmos principales fue comparable con el del patólogo único que pudo trabajar sin restricciones de tiempo. Sin embargo, a un promedio de 0,0125 falsos positivos por imagen de lámina normal completa, el desempeño del algoritmo de mejor rendimiento fue comparable con el del patólogo único que pudo trabajar sin restricción de tiempo.
 
La investigación fue dirigida por Babak Ehteshami Bejnordi del Centro Médico de la Universidad de Radboud de Nijmegen en los Países Bajos. Los investigadores concluyeron que, si bien los hallazgos sugerían la utilidad potencial de los algoritmos de aprendizaje profundo para el diagnóstico patológico, requería una evaluación adicional en un entorno clínico.
 

Miembro Platino
PRUEBA RÁPIDA COVID-19
OSOM COVID-19 Antigen Rapid Test
RECOLECCIÓN Y TRANSPORTE DE MUESTRAS
POCT Fluorescent Immunoassay Analyzer
FIA Go
Miembro Oro
Real-time PCR System
GentierX3 Series

Últimas Industria noticias

Sysmex e Hitachi colaboran en desarrollo de nuevos sistemas de pruebas genéticas

Sysmex y CellaVision amplían su colaboración para avanzar en soluciones de hematología

BD y Techcyte colaboran en un sistema de citología cervical digital basado en IA para pruebas de Papanicolaou