Promocione sus productos o servicios con nosotros
Los Ángeles, California, Estados Unidos - Septiembre de 2019

Ultrasonido e inteligencia artificial ayudarían a diagnosticar el cáncer de seno más rápido

Los algoritmos de inteligencia artificial pueden distinguir los tumores benignos de sus homólogos malignos, al identificar la heterogeneidad elástica del tejido.

Investigadores de la Universidad del Sur de California y otras instituciones, en Estados Unidos, crearon modelos basados en la física que simularon niveles variables de las dos propiedades clave de ultrasonido de un tumor de mama canceroso. Los algoritmos de enseñanza de inteligencia artificial, para identificar la heterogeneidad elástica por ultrasonido, pueden distinguir los tumores benignos de sus homólogos malignos

En el caso de la elastografía de ultrasonido de seno, técnica de imagen emergente que proporciona información sobre una posible lesión, una vez que se toma una imagen del área afectada, esta se analiza para determinar los desplazamientos dentro del tejido. Con estos datos, y teniendo en cuenta las leyes físicas de la mecánica, se determina la distribución espacial de propiedades como su rigidez. Esta metodología demuestra una mayor precisión en comparación con los modos tradicionales. Así lo señala una nota de la página Science Daily. 

A continuación se identifican y cuantifican las características apropiadas de la distribución, lo que por último lleva a una clasificación del tumor como maligno o benigno. El problema, según la investigación, es que los dos pasos finales son computacionalmente complejos e inherentemente desafiantes. 

El tejido mamario canceroso tiene dos propiedades clave, la heterogeneidad, lo que significa que algunas áreas son blandas y otras firmes, y la elasticidad no lineal, es decir que las fibras ofrecen mucha resistencia cuando se tiran en lugar de la ingesta inicial asociada con tumores benignos. 

Durante el proceso, los investigadores utilizaron unas 12.000 imágenes sintéticas para entrenar su algoritmo de aprendizaje automático, que para el caso funciona de manera similar al software de identificación con foto, aprende a través de entradas repetidas cómo reconocer a una persona en particular. A través de suficientes ejemplos, el algoritmo puede obtener diferentes características inherentes a un tumor benigno versus uno maligno y tomar la determinación correcta. 

“Teníamos una tasa de precisión del 80 %. Luego continuamos depurando el algoritmo mediante el uso de más imágenes del mundo real como entradas",

comentó el autor principal, el profesor Assad Oberai.

Una vez que el algoritmo fue entrenado, lo probaron en imágenes del mundo real para determinar cuán preciso podría ser al proporcionar un diagnóstico midiendo estos resultados contra los análisis confirmados por biopsia asociados con estas láminas. “Teníamos una tasa de precisión del 80 %. Luego continuamos depurando el algoritmo mediante el uso de más imágenes del mundo real como entradas", dijo el autor principal, el profesor Assad Oberai, del departamento de ingeniería aeroespacial y mecánica de la Universidad del Sur de California. 

Hay dos puntos predominantes que permiten que el aprendizaje automático sea una herramienta importante para avanzar en el panorama de la detección y el diagnóstico del cáncer. Primero, los algoritmos de aprendizaje automático pueden detectar patrones que pueden ser opacos para los humanos. Mediante la manipulación de muchos de estos, el número puede producir un diagnóstico preciso. En segundo lugar, el aprendizaje automático ofrece la oportunidad de reducir el error de operador a operador. 

“El consenso general es que estos tipos de algoritmos tienen un papel importante que desempeñar, incluidos los de profesionales de la imagen a los que impactará más. Sin embargo, serán más útiles cuando no sirvan como cajas negras”, afirmó Oberai. 

Debido a que el cáncer causa diferentes tipos de cambios en el tejido que impacta, la presencia de este puede conducir a un variación en sus propiedades físicas, la función del algoritmo de aprendizaje automático es seleccionar esta señal y usarla para determinar si un tejido determinado que se forma en imágenes es canceroso.


Palabras relacionadas:
Diagnóstico de cáncer de seno, técnicas para identificar cáncer de seno, desarrollo de algoritmos para localizar cáncer de seno, inteligencia artificial en el diagnóstico del cáncer de seno, elastografía de ultrasonido de seno, aprendizaje automático en el diagnóstico oncológico, algoritmos en la identificación de cáncer de seno.
x

Sección patrocinada por

Otras noticias de Imágenes diagnósticas y Medicina nuclear

Documentos relacionados