Ejemplos de im\u00e1genes superpuestas de explicaciones aditivas profundas de Shapley (SHAP). Las im\u00e1genes de proyecci\u00f3n de m\u00e1xima intensidad (MIP) est\u00e1n a la izquierda y las im\u00e1genes MIP con la superposici\u00f3n SHAP est\u00e1n a la derecha. Los valores SHAP positivos (rojo) muestran \u00e1reas que contribuyen a una alta probabilidad de presencia de lesi\u00f3n, los valores SHAP negativos (azul) muestran ubicaciones con probabilidad reducida. (A) Im\u00e1genes MIP sagitales de una resonancia magn\u00e9tica de mama con contraste de un carcinoma ductal invasivo en una mujer de 57 a\u00f1os con el Sistema de datos e informes de im\u00e1genes mamarias (BI-RADS) de categor\u00eda 4. El modelo de aprendizaje profundo (DL) arroj\u00f3 un probabilidad de presencia de lesi\u00f3n del 90%. Se muestra que los valores SHAP positivos (rojo) coinciden con la ubicaci\u00f3n de la lesi\u00f3n (flechas). (B) Im\u00e1genes MIP sagitales de resonancia magn\u00e9tica de mama con contraste de una mama sin lesiones en una mujer de 53 a\u00f1os con puntuaci\u00f3n BI-RADS 1. El modelo DL arroj\u00f3 una probabilidad de presencia de lesi\u00f3n del 11%. Los valores negativos de SHAP (azul) se distribuyen de forma difusa en la regi\u00f3n mamaria. (C) Im\u00e1genes MIP transversales de resonancia magn\u00e9tica de mama con contraste de un carcinoma ductal in situ en una mujer de 65 a\u00f1os con puntuaci\u00f3n BI-RADS 4. El modelo DL arroj\u00f3 una probabilidad de presencia de lesi\u00f3n del 32%, el valor de probabilidad m\u00e1s bajo entre todas las mamas con enfermedad maligna en nuestro estudio. Se muestra que los valores SHAP positivos (rojo) coinciden con la ubicaci\u00f3n de la lesi\u00f3n (flechas). Cr\u00e9dito: Sociedad Radiol\u00f3gica de Am\u00e9rica del Norte. <\/p>\n
Un sistema automatizado que utiliza inteligencia artificial (IA) puede filtrar de forma r\u00e1pida y precisa las resonancias magn\u00e9ticas de las mamas en mujeres con mamas densas para eliminar a las que no tienen c\u00e1ncer, lo que libera a los radi\u00f3logos para que se concentren en casos m\u00e1s complejos, seg\u00fan a un estudio publicado en Radiology. <\/p>\n
La mamograf\u00eda ha ayudado a reducir las muertes por c\u00e1ncer de mama al brindar una detecci\u00f3n temprana cuando el c\u00e1ncer es m\u00e1s tratable. Sin embargo, es menos sensible en mujeres con senos extremadamente densos que en mujeres con senos grasos. Adem\u00e1s, las mujeres con senos extremadamente densos tienen un riesgo de tres a seis veces mayor de desarrollar c\u00e1ncer de seno que las mujeres con senos casi completamente grasos y un riesgo dos veces mayor que la mujer promedio.<\/p>\n
Examen complementario en mujeres con senos extremadamente densos aumenta la sensibilidad de la detecci\u00f3n del c\u00e1ncer. La investigaci\u00f3n del ensayo de detecci\u00f3n temprana de neoplasma de mama y tejido denso (DENSE), un gran estudio con sede en los Pa\u00edses Bajos, apoy\u00f3 el uso de pruebas de detecci\u00f3n complementarias con MRI.<\/p>\n
\u00abEl ensayo DENSE mostr\u00f3 que las pruebas de detecci\u00f3n con MRI adicionales para mujeres con senos extremadamente densos fue beneficioso\u00bb, dijo el autor principal del estudio, Erik Verburg, M.Sc., del Instituto de Ciencias de la Imagen del Centro M\u00e9dico Universitario de Utrecht en los Pa\u00edses Bajos. \u00abPor otro lado, el ensayo DENSE confirm\u00f3 que la gran mayor\u00eda de las mujeres evaluadas no tienen ning\u00fan hallazgo sospechoso en la resonancia magn\u00e9tica\u00bb.<\/p>\n
Dado que la mayor\u00eda de las resonancias magn\u00e9ticas muestran variaciones anat\u00f3micas y fisiol\u00f3gicas normales que pueden no requerir una revisi\u00f3n radiol\u00f3gica, Se necesitan formas de clasificar estas resonancias magn\u00e9ticas normales para reducir la carga de trabajo del radi\u00f3logo.<\/p>\n
En el primer estudio de este tipo, Verburg y sus colegas se propusieron determinar la viabilidad de un m\u00e9todo de clasificaci\u00f3n automatizado basado en el aprendizaje profundo, un tipo sofisticado de IA. Utilizaron datos de resonancia magn\u00e9tica de mama del ensayo DENSE para desarrollar y entrenar el modelo de aprendizaje profundo para distinguir entre mamas con y sin lesiones. El modelo se entren\u00f3 con datos de siete hospitales y se prob\u00f3 con datos de un octavo hospital.<\/p>\n
Se incluyeron m\u00e1s de 4500 conjuntos de datos de resonancia magn\u00e9tica de senos extremadamente densos. De las 9162 mamas, 838 ten\u00edan al menos una lesi\u00f3n, de las cuales 77 eran malignas y 8324 no ten\u00edan lesiones.<\/p>\n
El modelo de aprendizaje profundo consider\u00f3 que el 90,7 % de las resonancias magn\u00e9ticas con lesiones no eran normales y se clasificaron ellos a revisi\u00f3n radiol\u00f3gica. Descart\u00f3 alrededor del 40 % de las resonancias magn\u00e9ticas sin lesiones sin pasar por alto ning\u00fan c\u00e1ncer.<\/p>\n
\u00abDemostramos que es posible utilizar de forma segura la inteligencia artificial para descartar las resonancias magn\u00e9ticas de detecci\u00f3n de mamas sin pasar por alto ninguna enfermedad maligna\u00bb, dijo Verburg. \u00abLos resultados fueron mejores de lo esperado. El 40 % es un buen comienzo. Sin embargo, todav\u00eda tenemos un 60 % por mejorar\u00bb.<\/p>\n
El sistema de clasificaci\u00f3n basado en IA tiene el potencial de reducir significativamente la carga de trabajo del radi\u00f3logo, dijo Verburg. . Solo en los Pa\u00edses Bajos, casi 82\u00a0000 mujeres pueden ser elegibles para una prueba de detecci\u00f3n de senos mediante IRM bienal seg\u00fan la densidad mamaria.<\/p>\n
\u00abEl enfoque se puede usar primero para ayudar a los radi\u00f3logos a reducir el tiempo de lectura general\u00bb, dijo Verburg. \u00abEn consecuencia, podr\u00eda haber m\u00e1s tiempo disponible para concentrarse en los ex\u00e1menes de resonancia magn\u00e9tica de mama realmente complejos\u00bb.<\/p>\n
Los investigadores planean validar el modelo en otros conjuntos de datos e implementarlo en rondas de selecci\u00f3n posteriores del ensayo DENSE. <\/p>\n
Explore m\u00e1s<\/p>\n
Para las mujeres con senos densos, las resonancias magn\u00e9ticas son rentables para detectar el c\u00e1ncer de seno M\u00e1s informaci\u00f3n:<\/strong> Stefanie GA Veenhuizen et al, Supplemental Breast MRI for Women with Extremely Dense Breasts: Results de la Segunda Ronda de Cribado del Ensayo DENSE, Radiolog\u00eda (2021). DOI: 10.1148\/radiol.2021203633 Informaci\u00f3n de la revista:<\/strong> Radiolog\u00eda <\/p>\n Proporcionada por la Sociedad Radiol\u00f3gica de Am\u00e9rica del Norte Cita<\/strong>: La IA ayuda a descartar el c\u00e1ncer en mamas densas (2021, octubre 5) recuperado el 29 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2021-10-ai-cancer-dense-breasts.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":" Ejemplos de im\u00e1genes superpuestas de explicaciones aditivas profundas de Shapley (SHAP). Las im\u00e1genes de proyecci\u00f3n de m\u00e1xima intensidad (MIP) est\u00e1n a la izquierda y las im\u00e1genes MIP con la superposici\u00f3n SHAP est\u00e1n a la derecha. Los valores SHAP positivos (rojo) muestran \u00e1reas que contribuyen a una alta probabilidad de presencia de lesi\u00f3n, los valores SHAP … Continuar leyendo \u00abLa IA ayuda a descartar el c\u00e1ncer en senos densos\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-1344","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/1344","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=1344"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/1344\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=1344"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=1344"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=1344"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}