Fig. 1. Resumen del flujo de trabajo desde la entrada de datos, la extracci\u00f3n de caracter\u00edsticas, la selecci\u00f3n y la construcci\u00f3n del modelo. Cr\u00e9dito: DOI: 10.3233\/CBM-210201 <\/p>\n
La inteligencia artificial (IA), el aprendizaje profundo (DL) y el aprendizaje autom\u00e1tico (ML) han transformado muchas industrias y \u00e1reas de la ciencia. Ahora, estas herramientas se est\u00e1n aplicando para abordar los desaf\u00edos del descubrimiento de biomarcadores de c\u00e1ncer, donde el an\u00e1lisis de grandes cantidades de im\u00e1genes y datos moleculares est\u00e1 m\u00e1s all\u00e1 de la capacidad de los an\u00e1lisis y herramientas estad\u00edsticas tradicionales. En una edici\u00f3n especial de Cancer Biomarkers, los investigadores proponen varios enfoques y exploran algunos de los desaf\u00edos \u00fanicos de usar AI, DL y ML para mejorar la precisi\u00f3n y el poder predictivo de los biomarcadores para el c\u00e1ncer y otras enfermedades. <\/p>\n
\u00abEl campo de los biomarcadores est\u00e1 bendecido con una pl\u00e9tora de im\u00e1genes y datos de base molecular y, al mismo tiempo, est\u00e1 plagado de tantos datos que ninguna persona puede comprenderlos todos\u00bb, explic\u00f3 la editora invitada Karin Rodland, Ph.D. ., Laboratorio Nacional del Noroeste del Pac\u00edfico, Richland; y la Universidad de Ciencias y Salud de Oregon, Portland, OR, EE. UU. \u00abLa IA ofrece una soluci\u00f3n a ese problema y tiene el potencial de descubrir interacciones novedosas que reflejan con mayor precisi\u00f3n la biolog\u00eda del c\u00e1ncer y otras enfermedades\u00bb.<\/p>\n
Aplicaciones prometedoras de IA, DL y ML presentadas en este El problema incluye la identificaci\u00f3n de c\u00e1nceres en etapa inicial, la inferencia del sitio del c\u00e1ncer espec\u00edfico, la ayuda en la asignaci\u00f3n de opciones terap\u00e9uticas apropiadas para cada paciente, la caracterizaci\u00f3n del microambiente tumoral y la predicci\u00f3n de la respuesta a la inmunoterapia.<\/p>\n
Una descripci\u00f3n general completa de la literatura sobre el uso de enfoques de IA para identificar biomarcadores para el c\u00e1ncer de ovario y p\u00e1ncreas ilustra los principios subyacentes y analiza las brechas y los desaf\u00edos que enfrenta el campo en su conjunto. Los c\u00e1nceres de ovario y de p\u00e1ncreas son raros, pero letales porque carecen de s\u00edntomas y detecci\u00f3n tempranos. El investigador principal Juergen A. Klenk, Ph.D., Biomedical Data Science Lab, Deloitte Consulting LLP, Arlington, VA, EE. UU., y sus colegas describen estudios que utilizan IA y ML para analizar im\u00e1genes para la detecci\u00f3n temprana de enfermedades y modelos que pueden ser construido para predecir los resultados probables para el paciente. Se analizan algunos de los desaf\u00edos, como la dificultad de recopilar conjuntos de datos lo suficientemente grandes.<\/p>\n
\u00abLos algoritmos desarrollan sesgos y producen respuestas prejuiciosas cuando los datos con los que se entrenan no son representativos o est\u00e1n incompletos\u00bb, dijo el Dr. dijo Klenk. Los investigadores sugieren que el desarrollo de bases de datos de im\u00e1genes m\u00e1s grandes y m\u00e1s diversas para c\u00e1nceres raros en todas las instituciones, m\u00e9todos de informes estandarizados e interfaces m\u00e1s f\u00e1ciles de entender que aumentan la confianza del usuario son necesarios para lograr un verdadero impacto en el descubrimiento de biomarcadores.<\/p>\n
El investigador principal Debiao Li, Ph.D., Instituto de Investigaci\u00f3n de Im\u00e1genes Biom\u00e9dicas, Centro M\u00e9dico Cedars-Sinai, Los \u00c1ngeles, CA, EE. UU., y sus colegas desarrollaron un modelo para identificar a las personas en riesgo de adenocarcinoma ductal pancre\u00e1tico (PDAC). El PDAC est\u00e1 asociado con muchas anomal\u00edas precondicionales que pueden ser visibles en una tomograf\u00eda computarizada (TC), pero que son dif\u00edciles de comprender mediante una evaluaci\u00f3n visual. En su estudio, los investigadores utilizaron tomograf\u00edas computarizadas de pacientes con PDAC confirmado y tomograf\u00edas computarizadas de los mismos pacientes a los que se les hab\u00eda realizado una tomograf\u00eda computarizada de seis meses a tres a\u00f1os antes del diagn\u00f3stico para identificar un conjunto de caracter\u00edsticas de TC que eran potencialmente predictivas de PDAC. El modelo tuvo una precisi\u00f3n del 86 % en la clasificaci\u00f3n de los pacientes y los controles sanos, utilizando las caracter\u00edsticas de TC identificadas.<\/p>\n
\u00abEl desaf\u00edo de la IA para el avance de la investigaci\u00f3n del c\u00e1ncer de p\u00e1ncreas es la escasez de datos debido a la baja prevalencia. El prop\u00f3sito de este modelo de prueba de concepto es alentar a los investigadores a establecer un conjunto de datos m\u00e1s grande para una capacitaci\u00f3n y validaci\u00f3n extensas del modelo\u00bb, dijo el Dr. Li.<\/p>\n
Radiomics es un campo emergente donde las caracter\u00edsticas se extraen de im\u00e1genes m\u00e9dicas utilizando diversas t\u00e9cnicas. Las caracter\u00edsticas radi\u00f3micas pueden cuantificar la intensidad, la forma y la heterogeneidad del tumor y se han aplicado a la detecci\u00f3n, el diagn\u00f3stico, la respuesta terap\u00e9utica y el pron\u00f3stico oncol\u00f3gicos. Los investigadores principales Shaoli Song, Ph.D., Shanghai Medical College and Fudan University, Shanghai, China, y Lisheng Wang, Ph.D., Shanghai Jiao Tong University, Shanghai, China, y sus colegas combinaron datos radi\u00f3micos de la tomograf\u00eda por emisi\u00f3n de positrones preoperatoria ( PET) y CT en pacientes con carcinoma de c\u00e9lulas escamosas de cuello uterino en estadio temprano. Usaron algoritmos para desarrollar una firma pron\u00f3stica capaz de predecir la supervivencia libre de enfermedad.<\/p>\n
\u00abEste modelo podr\u00eda proporcionar informaci\u00f3n m\u00e1s precisa sobre posibles reca\u00eddas y met\u00e1stasis, y podr\u00eda ser \u00fatil en la toma de decisiones\u00bb, observaron. <\/p>\n
Otros art\u00edculos del n\u00famero especial se centran en el desarrollo de nuevas herramientas inform\u00e1ticas para facilitar la aplicaci\u00f3n de la IA a la identificaci\u00f3n de biomarcadores; el uso de im\u00e1genes de c\u00e9lulas completas e inmunofluorescencia para identificar caracter\u00edsticas inmunitarias en tumores pancre\u00e1ticos para proporcionar informaci\u00f3n pron\u00f3stica; el uso de microARN y aprendizaje autom\u00e1tico aplicado para identificar un perfil de miARN asociado con tumores del estroma gastrointestinal; y el uso de agrupamiento jer\u00e1rquico de conjuntos de datos multi\u00f3micos combinados para identificar una firma inmune antitumoral en pacientes con c\u00e1ncer de colon.<\/p>\n
Dr. Rodland agreg\u00f3 que los art\u00edculos de este n\u00famero especial son solo una peque\u00f1a muestra de los diversos enfoques para usar IA, DL y ML en la investigaci\u00f3n de biomarcadores. \u00abExiste una necesidad urgente y continua de estrategias m\u00e1s efectivas para mejorar la detecci\u00f3n temprana de c\u00e1nceres. Se ha demostrado que los sistemas de inteligencia artificial de vanguardia mejoran la sensibilidad y la especificidad en la interpretaci\u00f3n de datos de imagen y no imagen de mama, pulm\u00f3n, pr\u00f3stata, y c\u00e1nceres de cuello uterino\u00bb, afirm\u00f3. <\/p>\n
Explore m\u00e1s<\/p>\n
Inteligencia artificial para predecir el \u00e9xito del tratamiento a partir de tomograf\u00edas computarizadas tempranas M\u00e1s informaci\u00f3n:<\/strong> Dina Mikdadi et al, Aplicaciones de inteligencia artificial (IA) en c\u00e1ncer de ovario, c\u00e1ncer de p\u00e1ncreas e imagen descubrimiento de biomarcadores, Cancer Biomarkers (2022). DOI: 10.3233\/CBM-210301 <\/p>\n Touseef Ahmad Qureshi et al, Predicci\u00f3n del adenocarcinoma ductal pancre\u00e1tico mediante an\u00e1lisis de inteligencia artificial de im\u00e1genes de tomograf\u00eda computarizada previas al diagn\u00f3stico, Cancer Biomarkers (2022). DOI: 10.3233\/CBM-210273 <\/p>\n Shuai Liu et al, Modelo radi\u00f3mico de im\u00e1genes PET\/TC con 18F-FDG para predecir la supervivencia libre de enfermedad del c\u00e1ncer escamoso de cuello uterino en etapa temprana, Biomarcadores de c\u00e1ncer (2022). DOI: 10.3233\/CBM-210201<\/p>\n","protected":false},"excerpt":{"rendered":" Fig. 1. Resumen del flujo de trabajo desde la entrada de datos, la extracci\u00f3n de caracter\u00edsticas, la selecci\u00f3n y la construcci\u00f3n del modelo. Cr\u00e9dito: DOI: 10.3233\/CBM-210201 La inteligencia artificial (IA), el aprendizaje profundo (DL) y el aprendizaje autom\u00e1tico (ML) han transformado muchas industrias y \u00e1reas de la ciencia. Ahora, estas herramientas se est\u00e1n aplicando para … Continuar leyendo \u00abLa inteligencia artificial y el aprendizaje autom\u00e1tico se muestran prometedores en el diagn\u00f3stico y tratamiento del c\u00e1ncer\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-11177","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/11177","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=11177"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/11177\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=11177"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=11177"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=11177"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}