En estos tres ejemplos de lesiones de tejidos blandos, las im\u00e1genes no se ven perturbadas en la columna de la izquierda y est\u00e1n borrosas en la columna de la derecha. El sistema de IA era sensible a la borrosidad, mientras que los radi\u00f3logos no. Esto demostr\u00f3 que el sistema de IA se basa en detalles de las lesiones de los tejidos blandos que los radi\u00f3logos consideran irrelevantes. Cr\u00e9dito: Taro Makino, Centro de ciencia de datos de la Universidad de Nueva York <\/p>\n
Los radi\u00f3logos y los sistemas de inteligencia artificial arrojan diferencias significativas en las pruebas de detecci\u00f3n del c\u00e1ncer de mama, descubri\u00f3 un equipo de investigadores. Su trabajo, que aparece en la revista Scientific Reports, revela el valor potencial de utilizar m\u00e9todos humanos y de IA para realizar diagn\u00f3sticos m\u00e9dicos. <\/p>\n
\u00abSi bien la IA puede ofrecer beneficios en el cuidado de la salud, su toma de decisiones a\u00fan no se comprende bien\u00bb, explica Taro Makino, candidato a doctorado en el Centro de ciencia de datos de la NYU y autor principal del art\u00edculo. \u00abNuestros hallazgos dan un paso importante para comprender mejor c\u00f3mo la IA produce evaluaciones m\u00e9dicas y, con ello, ofrecen un camino a seguir para mejorar la detecci\u00f3n del c\u00e1ncer\u00bb.<\/p>\n
El an\u00e1lisis se centr\u00f3 en una herramienta de IA espec\u00edfica: redes neuronales profundas ( DNNs), que son capas de elementos inform\u00e1ticos \u201cneuronas\u201d simuladas en una computadora. Una red de tales neuronas se puede entrenar para \u00abaprender\u00bb construyendo muchas capas y configurando c\u00f3mo se realizan los c\u00e1lculos en funci\u00f3n de la entrada de datos, un proceso llamado \u00abaprendizaje profundo\u00bb. <\/p>\n
En el trabajo de Scientific Reports, los cient\u00edficos compararon las pruebas de detecci\u00f3n de c\u00e1ncer de mama le\u00eddas por los radi\u00f3logos con las analizadas por las DNN. <\/p>\n
Los investigadores, que tambi\u00e9n incluyeron a Krzysztof Geras, Ph.D., Laura Heacock, MD, y Linda Moy, MD, facultad del Departamento de Radiolog\u00eda de la Escuela de Medicina Grossman de la NYU, encontraron que los DNN y los radi\u00f3logos divergieron significativamente en c\u00f3mo diagnostican una categor\u00eda de c\u00e1ncer de mama maligno llamado lesiones de tejidos blandos.<\/p>\n
\u00abEn estas pruebas de detecci\u00f3n de c\u00e1ncer de mama, los sistemas de IA consideran peque\u00f1os detalles en las mamograf\u00edas que los radi\u00f3logos consideran irrelevantes\u00bb, explica Geras. \u00abEsta divergencia en las lecturas debe entenderse y corregirse antes de que podamos confiar en los sistemas de inteligencia artificial para ayudar a tomar decisiones m\u00e9dicas cr\u00edticas para la vida\u00bb.<\/p>\n
M\u00e1s espec\u00edficamente, mientras que los radi\u00f3logos se basaron principalmente en el brillo y la forma, los DNN usaron peque\u00f1os detalles esparcidos por las im\u00e1genes. Estos detalles tambi\u00e9n se concentraron fuera de las regiones consideradas m\u00e1s importantes por los radi\u00f3logos.<\/p>\n
Al revelar tales diferencias entre la percepci\u00f3n humana y la de las m\u00e1quinas en el diagn\u00f3stico m\u00e9dico, los investigadores se movieron para cerrar la brecha entre el estudio acad\u00e9mico y la pr\u00e1ctica cl\u00ednica.<\/p>\n
\u00abEstablecer confianza en las DNN para centros de diagn\u00f3stico m\u00e9dico para comprender si su percepci\u00f3n es diferente de la de los humanos y c\u00f3mo es\u00bb, dice Moy. \u00abCon m\u00e1s informaci\u00f3n sobre c\u00f3mo funcionan, podemos reconocer mejor los l\u00edmites de las DNN y anticipar sus fallas\u00bb. <\/p>\n
\u00abEl principal cuello de botella al mover los sistemas de IA al flujo de trabajo cl\u00ednico es comprender su toma de decisiones y hacerlos m\u00e1s s\u00f3lidos\u00bb, agrega Makino. \u00abConsideramos que nuestra investigaci\u00f3n avanza en la precisi\u00f3n de las capacidades de la IA para realizar evaluaciones relacionadas con la salud al iluminar y luego abordar sus limitaciones actuales\u00bb. <\/p>\n
Explore m\u00e1s<\/p>\n
La IA proporciona una clasificaci\u00f3n precisa de la densidad mamaria M\u00e1s informaci\u00f3n:<\/strong> Taro Makino et al, Diferencias entre la percepci\u00f3n humana y mec\u00e1nica en el diagn\u00f3stico m\u00e9dico, Scientific Reports (2022). DOI: 10.1038\/s41598-022-10526-z Informaci\u00f3n de la revista:<\/strong> Informes cient\u00edficos <\/p>\n Proporcionado por la Universidad de Nueva York Cita<\/strong>: radi\u00f3logos, los sistemas de IA muestran diferencias en la mama- ex\u00e1menes de detecci\u00f3n de c\u00e1ncer, nuevos hallazgos de estudios de casos (28 de abril de 2022) recuperado el 29 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2022-04-radiologists-ai-differences-breast-cancer-screenings.html Este documento est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" En estos tres ejemplos de lesiones de tejidos blandos, las im\u00e1genes no se ven perturbadas en la columna de la izquierda y est\u00e1n borrosas en la columna de la derecha. El sistema de IA era sensible a la borrosidad, mientras que los radi\u00f3logos no. Esto demostr\u00f3 que el sistema de IA se basa en detalles … Continuar leyendo \u00abRadi\u00f3logos, los sistemas de inteligencia artificial muestran diferencias en las pruebas de detecci\u00f3n de c\u00e1ncer de mama, seg\u00fan un nuevo estudio de caso\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-11433","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/11433","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=11433"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/11433\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=11433"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=11433"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=11433"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}