(A) Izquierda: gr\u00e1fico de estimaci\u00f3n de la densidad del kernel (KDE) del espacio de caracter\u00edsticas PCA 2D para 16000 parches aleatorios extra\u00eddos de las cohortes ProMPT, TCGA y FOCUS. Si bien todav\u00eda hay espacio para mejorar, la superposici\u00f3n entre los espacios de caracter\u00edsticas de diferentes cohortes sugiere que tenemos un conjunto de caracter\u00edsticas razonablemente invariable en el dominio. Derecha: espacio de funciones de parches anotados en nuestro conjunto de pruebas de parches de la cohorte ProMPT frente a un conjunto de parches anotados de las cohortes TCGA y FOCUS. (B) Parches de imagen de muestra predichos por PathProfiler como inutilizables de cohortes de tejido no prost\u00e1tico (tejido colorrectal FOCUS) y TCGA (tejido prost\u00e1tico). Cr\u00e9dito: Informes cient\u00edficos (2022). DOI: 10.1038\/s41598-022-08351-5 <\/p>\n
El an\u00e1lisis de muestras de tejido para el diagn\u00f3stico y tratamiento del c\u00e1ncer todav\u00eda se realiza en gran medida bajo el microscopio \u00f3ptico. Pero los investigadores ahora est\u00e1n desarrollando tecnolog\u00edas para acelerar y, en \u00faltima instancia, mejorar la precisi\u00f3n de dichos diagn\u00f3sticos a trav\u00e9s de la digitalizaci\u00f3n y el an\u00e1lisis asistido por computadora de im\u00e1genes de biopsias de tejidos. Estas nuevas tecnolog\u00edas se basan en gran medida en herramientas de inteligencia artificial (IA), que requieren el desarrollo y el \u00abentrenamiento\u00bb de algoritmos de IA en grandes conjuntos de datos de im\u00e1genes de diapositivas completas digitalizadas (WSI) vinculadas a datos de resultados cl\u00ednicos. Pero las im\u00e1genes recopiladas de m\u00faltiples laboratorios de diagn\u00f3stico pueden variar dr\u00e1sticamente en su calidad, lo que a su vez puede comprometer el entrenamiento y el rendimiento posterior de los algoritmos de IA. <\/p>\n
Una nueva publicaci\u00f3n en Scientific Reports dirigida por Jens Rittscher de Ludwig Oxford y su colega de Oxford Maryam Haghighat describe una herramienta de inteligencia artificial llamada PathProfiler que automatiza el control de calidad de grandes conjuntos de datos de im\u00e1genes patol\u00f3gicas retrospectivas para aumentar su usabilidad en la investigaci\u00f3n posterior.<\/p>\n
Rittscher y sus colegas de Oxford desarrollaron PathProfiler utilizando im\u00e1genes patol\u00f3gicas retrospectivas de la cohorte de c\u00e1ncer de pr\u00f3stata ProMPT (Prostate Cancer Mechanisms of Progression and Treatment). Su herramienta de IA automatiza la evaluaci\u00f3n de la calidad de las im\u00e1genes patol\u00f3gicas e identifica una gama de posibles artefactos de imagen. Tambi\u00e9n asigna una puntuaci\u00f3n de usabilidad a cada WSI, lo que ayudar\u00e1 a guiar si una imagen se puede incluir en el conjunto de datos de entrenamiento de IA. Las puntuaciones generadas por el algoritmo de IA y las asignadas por tres pat\u00f3logos expertos estaban muy correlacionadas (0,89).<\/p>\n
Para probar m\u00e1s a fondo PathProfiler, el equipo evalu\u00f3 las cohortes de c\u00e1ncer de pr\u00f3stata y colorrectal FOCUS del Atlas del Genoma del C\u00e1ncer. Adem\u00e1s de proporcionar un puntaje de calidad e identificar artefactos que afectan la calidad en los WSI, PathProfiler tambi\u00e9n pudo predecir qu\u00e9 im\u00e1genes podr\u00edan mejorarse, por ejemplo, volviendo a escanear o volviendo a te\u00f1ir. Esta predicci\u00f3n es de particular relevancia para la usabilidad de muestras de cohortes retrospectivas altamente seleccionadas, como las que se usan en la investigaci\u00f3n del c\u00e1ncer de pr\u00f3stata.<\/p>\n
El software PathProfiler est\u00e1 disponible para el p\u00fablico para que otros grupos puedan usarlo para sus necesidades. propia investigaci\u00f3n y contribuir a su posterior desarrollo. El equipo ahora planea optimizar a\u00fan m\u00e1s el modelo utilizando otros tipos de tejido y cohortes, y evaluar el rendimiento y la utilidad de la herramienta dentro de una tuber\u00eda digital de patolog\u00eda cl\u00ednica. <\/p>\n
Explore m\u00e1s<\/p>\n
La IA que clasifica los p\u00f3lipos colorrectales resulta \u00fatil en la cl\u00ednica M\u00e1s informaci\u00f3n:<\/strong> Maryam Haghighat et al, Evaluaci\u00f3n de calidad automatizada de grandes cohortes de histolog\u00eda digitalizadas por inteligencia artificial, Scientific Reports (2022) ). DOI: 10.1038\/s41598-022-08351-5 Informaci\u00f3n de la revista:<\/strong> Informes cient\u00edficos <\/p>\n Proporcionado por Ludwig Cancer Research Cita<\/strong>: Evaluaci\u00f3n automatizada de la calidad de la imagen patol\u00f3gica (2022, 21 de abril) recuperado el 29 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2022-04-automated-pathology-image-quality.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":" (A) Izquierda: gr\u00e1fico de estimaci\u00f3n de la densidad del kernel (KDE) del espacio de caracter\u00edsticas PCA 2D para 16000 parches aleatorios extra\u00eddos de las cohortes ProMPT, TCGA y FOCUS. Si bien todav\u00eda hay espacio para mejorar, la superposici\u00f3n entre los espacios de caracter\u00edsticas de diferentes cohortes sugiere que tenemos un conjunto de caracter\u00edsticas razonablemente invariable … Continuar leyendo \u00abEvaluaci\u00f3n automatizada de la calidad de la imagen de la patolog\u00eda\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-11941","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/11941","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=11941"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/11941\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=11941"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=11941"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=11941"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}