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

CELLAVISION AB

Integración de IA con tecnología de imagen óptica permite un diagnóstico intraoperatorio rápido

Por el equipo editorial de LabMedica en español
Actualizado el 03 Jun 2024

El diagnóstico intraoperatorio rápido y preciso es esencial para la cirugía tumoral, ya que guía las decisiones quirúrgicas con precisión. Las evaluaciones intraoperatorias tradicionales, como las secciones congeladas basadas en histología H&E, exigen tiempo, recursos y mano de obra y también plantean preocupaciones sobre el consumo de muestras. D-FFOCT, una tecnología de imágenes ópticas de alta resolución, permite la generación rápida de histología virtual. Los investigadores ahora han desarrollado un flujo de trabajo de diagnóstico intraoperatorio que utiliza algoritmos de aprendizaje profundo para clasificar tumores a partir de imágenes D-FFOCT, ofreciendo un diagnóstico rápido y automatizado para la toma de decisiones quirúrgicas.

Un estudio de cohorte prospectivo realizado por investigadores del Hospital Popular de la Universidad de Pekín (Beijing, China) incluyó 224 muestras de mama obtenidas con D-FFOCT. Esta técnica de imagen no es destructiva y no requiere preparación ni tinción del tejido. Las imágenes D-FFOCT se segmentaron en parches y las diapositivas se asignaron en un conjunto de entrenamiento (182 diapositivas, 10.357 parches) y un conjunto de prueba externo (42 diapositivas, 3.140 parches) según el orden en que se recopilaron. Se empleó un método de validación cruzada quíntuple para entrenar y ajustar el modelo. Un modelo de aprendizaje automático agregó los resultados de la predicción de parches al nivel de diapositiva después de la extracción de características.


Imagen: Imágenes de carcinoma ductal invasivo, carcinoma mucinoso y carcinoma papilar (Foto cortesía de Science China Press)
Imagen: Imágenes de carcinoma ductal invasivo, carcinoma mucinoso y carcinoma papilar (Foto cortesía de Science China Press)

El conjunto de pruebas mostró que el modelo funcionó bien a nivel de parche, identificando tipos de tejido mamario con un AUC de 0,926 (IC del 95 %: 0,907–0,943). A nivel de portaobjetos, la precisión diagnóstica alcanzó el 97,62 %, con una sensibilidad del 96,88 % y una especificidad del 100 %. La precisión no difirió significativamente entre los distintos subtipos moleculares y tipos de tumores histológicos de cáncer de mama. Los mapas de calor de visualización demostraron que los modelos de aprendizaje profundo podían identificar características correspondientes a grupos de células metabólicamente activas en imágenes D-FFOCT, alineándose con evaluaciones de expertos. Este enfoque de análisis de imágenes podría extenderse potencialmente a varios tipos de tumores, dadas las características conservadas detectadas en el modelo. En un experimento de simulación de márgenes, el proceso de diagnóstico duró unos tres minutos y el modelo de aprendizaje profundo logró una alta precisión del 95,24%.

Con base en los resultados, el estudio propuso un flujo de trabajo de diagnóstico de cáncer intraoperatorio que integra D-FFOCT con un modelo de aprendizaje profundo. En el diagnóstico de márgenes intraoperatorio simulado, el flujo de trabajo redujo sustancialmente el tiempo de diagnóstico aproximadamente diez veces en comparación con los métodos tradicionales y demostró ser altamente rentable en términos de mano de obra. No se destruyó ningún tejido durante el análisis y la obtención de imágenes ópticas. En general, este flujo de trabajo ofrece una solución transparente para un diagnóstico intraoperatorio rápido y preciso, que potencialmente puede guiar las decisiones quirúrgicas de forma eficaz.

Enlaces relacionados:
Hospital Popular de la Universidad de Pekín


New
Miembro Platino
Flu SARS-CoV-2 Combo Test
OSOM® Flu SARS-CoV-2 Combo Test
Magnetic Bead Separation Modules
MAG and HEATMAG
PRUEBA DE ANTIPÉPTIDO CÍCLICO CITRULINADO
GPP-100 Anti-CCP Kit
New
Miembro Oro
Liquid Ready-To-Use Lp(a) Reagent
Lipoprotein (a) Reagent

Últimas Patología noticias

Herramienta de IA detecta pequeños grupos de proteínas en imágenes de microscopía en tiempo real

Nueva herramienta permite una mejor clasificación de variantes hereditarias que causan enfermedades

Método de detección CRISPR determina rápidamente el mecanismo de enfermedad a partir de los tejidos



LGC Clinical Diagnostics