Los investigadores usaron su red neuronal de aprendizaje profundo para asignar una \u00abpuntuaci\u00f3n de patito feo\u00bb a cada lesi\u00f3n en funci\u00f3n de cu\u00e1nto difer\u00eda de otras lesiones en la piel del mismo paciente, identificando las m\u00e1s probablemente sea canceroso.Cr\u00e9dito: Instituto Wyss de la Universidad de Harvard <\/p>\n
El melanoma es, con mucho, la forma m\u00e1s letal de c\u00e1ncer de piel, ya que mat\u00f3 a m\u00e1s de 7000 personas en los Estados Unidos solo en 2019. La detecci\u00f3n temprana de la enfermedad reduce dr\u00e1sticamente el riesgo de muerte y los costos del tratamiento, pero actualmente no es factible la detecci\u00f3n generalizada del melanoma. Hay alrededor de 12,000 dermat\u00f3logos en ejercicio en los EE. UU., y cada uno necesitar\u00eda ver a 27,416 pacientes por a\u00f1o para evaluar a toda la poblaci\u00f3n en busca de lesiones pigmentadas sospechosas (SPL, por sus siglas en ingl\u00e9s) que pueden indicar c\u00e1ncer. <\/p>\n
Los sistemas de diagn\u00f3stico asistido por computadora (CAD) se han desarrollado en los \u00faltimos a\u00f1os para tratar de resolver este problema mediante el an\u00e1lisis de im\u00e1genes de lesiones cut\u00e1neas y la identificaci\u00f3n autom\u00e1tica de SPL, pero hasta ahora no han logrado un impacto significativo en el diagn\u00f3stico del melanoma. Estos algoritmos CAD est\u00e1n entrenados para evaluar cada lesi\u00f3n cut\u00e1nea individualmente en busca de caracter\u00edsticas sospechosas, pero los dermat\u00f3logos comparan m\u00faltiples lesiones de un paciente individual para determinar si son cancerosas, un m\u00e9todo com\u00fanmente llamado criterio del \u00abpatito feo\u00bb. Hasta la fecha, ning\u00fan sistema CAD en dermatolog\u00eda ha sido dise\u00f1ado para replicar este proceso de diagn\u00f3stico.<\/p>\n
Ahora, ese descuido se ha corregido gracias a un nuevo sistema CAD para lesiones cut\u00e1neas basado en redes neuronales profundas convolucionales (CDNN). desarrollado por investigadores del Instituto Wyss de Ingenier\u00eda Biol\u00f3gicamente Inspirada en la Universidad de Harvard y el Instituto Tecnol\u00f3gico de Massachusetts (MIT). El nuevo sistema distingui\u00f3 con \u00e9xito los SPL de lesiones no sospechosas en fotos de la piel de los pacientes con una precisi\u00f3n de ~90 % y, por primera vez, estableci\u00f3 una m\u00e9trica de \u00abpatito feo\u00bb capaz de coincidir con el consenso de tres dermat\u00f3logos el 88 % de las veces.<\/p>\n
\u00abB\u00e1sicamente, proporcionamos un indicador matem\u00e1tico bien definido para la intuici\u00f3n profunda en la que se basa un dermat\u00f3logo para determinar si una lesi\u00f3n cut\u00e1nea es lo suficientemente sospechosa como para justificar un examen m\u00e1s detallado\u00bb, dijo el primer autor del estudio, Luis Soenksen, Ph.D. ., becario postdoctoral en el Instituto Wyss que tambi\u00e9n es un Venture Builder en el MIT. \u00abEsta innovaci\u00f3n permite analizar r\u00e1pidamente fotos de la piel de los pacientes para identificar lesiones que deben ser evaluadas por un dermat\u00f3logo, lo que permite una detecci\u00f3n eficaz del melanoma a nivel de la poblaci\u00f3n\u00bb.<\/p>\n
La tecnolog\u00eda se describe en Science Translational Medicine. , y el c\u00f3digo fuente de la CDNN est\u00e1 disponible abiertamente en GitHub.<\/p>\n
Enfocando a los patitos feos<\/p>\n
El melanoma es personal para Soenksen, quien ha visto a varios amigos cercanos y familiares sufrir la enfermedad. . \u00abMe sorprendi\u00f3 que las personas puedan morir de melanoma simplemente porque los m\u00e9dicos de atenci\u00f3n primaria y los pacientes actualmente no tienen las herramientas para encontrar los \u00abextra\u00f1os\u00bb de manera eficiente. Decid\u00ed abordar ese problema aprovechando muchas de las t\u00e9cnicas que aprend\u00ed de mi trabajan en inteligencia artificial en Wyss y MIT\u00bb, dijo.<\/p>\n
Soenksen y sus colaboradores descubrieron que todos los sistemas CAD existentes creados para identificar SPL solo analizaban las lesiones individualmente, omitiendo por completo los criterios del patito feo que usan los dermat\u00f3logos. para comparar varios de los lunares de un paciente durante un examen. As\u00ed que decidieron construir uno propio.<\/p>\n
Para asegurarse de que su sistema pudiera ser utilizado por personas sin formaci\u00f3n especializada en dermatolog\u00eda, el equipo cre\u00f3 una base de datos de m\u00e1s de 33\u00a0000 im\u00e1genes de \u00abcampo amplio\u00bb de la piel de los pacientes que inclu\u00eda fondos y otros objetos que no sean piel, para que la CDNN pueda usar fotos tomadas con c\u00e1maras de consumo para el diagn\u00f3stico. Las im\u00e1genes conten\u00edan SPL y lesiones cut\u00e1neas no sospechosas que fueron etiquetadas y confirmadas por consenso de tres dermat\u00f3logos certificados por la junta. Despu\u00e9s de la capacitaci\u00f3n en la base de datos y el refinamiento y las pruebas posteriores, el sistema pudo distinguir entre lesiones sospechosas y no sospechosas con una sensibilidad del 90,3 % y una especificidad del 89,9 %, mejorando los sistemas publicados anteriormente.<\/p>\n
Pero este sistema de referencia todav\u00eda estaba analizando las caracter\u00edsticas de las lesiones individuales, en lugar de las caracter\u00edsticas de m\u00faltiples lesiones como hacen los dermat\u00f3logos. Para agregar los criterios del patito feo a su modelo, el equipo us\u00f3 las caracter\u00edsticas extra\u00eddas en una etapa secundaria para crear un \u00abmapa\u00bb tridimensional de todas las lesiones en una imagen dada, y calcul\u00f3 qu\u00e9 tan lejos de lo \u00abt\u00edpico\u00bb de cada lesi\u00f3n. las caracter\u00edsticas eran. Cuanto m\u00e1s \u00abextra\u00f1a\u00bb se comparaba una lesi\u00f3n dada con las otras en una imagen, m\u00e1s lejos estaba del centro del espacio tridimensional. Esta distancia es la primera definici\u00f3n cuantificable de los criterios del patito feo y sirve como puerta de entrada para aprovechar las redes de aprendizaje profundo para superar la tarea desafiante y lenta de identificar y examinar las diferencias entre todas las lesiones pigmentadas en un solo paciente.<\/p>\n
Los investigadores entrenaron su m\u00e9todo para identificar lesiones cut\u00e1neas precancerosas con una base de datos de 33.980 im\u00e1genes, incluidas fotograf\u00edas de fondos, piel y lesiones sospechosas. Cr\u00e9dito: LR Soenksen et al., Science Translational Medicine (2021) <\/p>\n
Aprendizaje profundo frente a dermat\u00f3logos<\/p>\n
Su DCNN a\u00fan ten\u00eda que pasar una prueba final: desempe\u00f1arse tan bien como los dermat\u00f3logos vivos en la tarea de identificar SPL a partir de im\u00e1genes de la piel de los pacientes. Tres dermat\u00f3logos examinaron 135 fotograf\u00edas de campo amplio de 68 pacientes y asignaron a cada lesi\u00f3n una puntuaci\u00f3n de \u00abrareza\u00bb que indicaba cu\u00e1n preocupante se ve\u00eda. Las mismas im\u00e1genes fueron analizadas y puntuadas por el algoritmo. Cuando se compararon las evaluaciones, los investigadores encontraron que el algoritmo coincid\u00eda con el consenso de los dermat\u00f3logos el 88 % de las veces y con los dermat\u00f3logos individuales el 86 % de las veces.<\/p>\n
\u00abEste alto nivel de consenso entre los la inteligencia y los m\u00e9dicos humanos es un avance importante en este campo, porque la concordancia entre los dermat\u00f3logos suele ser muy alta, alrededor del 90 %\u00bb, dijo el coautor Jim Collins, Ph.D., miembro de la facultad principal del Instituto Wyss y co-l\u00edder de su Iniciativa de Bioan\u00e1lisis Predictivo que tambi\u00e9n es Profesor Termeer de Ingenier\u00eda y Ciencias M\u00e9dicas en el MIT. \u00abEsencialmente, hemos podido lograr una precisi\u00f3n de nivel dermat\u00f3logo en el diagn\u00f3stico de posibles lesiones de c\u00e1ncer de piel a partir de im\u00e1genes que puede tomar cualquier persona con un tel\u00e9fono inteligente, lo que abre un enorme potencial para encontrar y tratar el melanoma antes\u00bb.<\/p>\n
Reconociendo que dicha tecnolog\u00eda debe estar disponible para la mayor cantidad de personas posible para obtener el m\u00e1ximo beneficio, el equipo ha hecho que su algoritmo sea de c\u00f3digo abierto en GitHub. Esperan asociarse con centros m\u00e9dicos para lanzar ensayos cl\u00ednicos que demuestren a\u00fan m\u00e1s la eficacia de su sistema y con la industria para convertirlo en un producto que pueda ser utilizado por proveedores de atenci\u00f3n primaria en todo el mundo. Tambi\u00e9n reconocen que para ser universalmente \u00fatil, su algoritmo debe poder funcionar igualmente bien en todo el espectro de tonos de piel humana, que planean incorporar en el desarrollo futuro.<\/p>\n
\u00abPermitir que nuestros cient\u00edficos perseguir sus pasiones y visiones es clave para el \u00e9xito del Instituto Wyss, y es maravilloso ver que este avance que puede impactarnos a todos de una manera tan significativa emerge de una colaboraci\u00f3n con nuestra Iniciativa de Bioan\u00e1lisis Predictivo reci\u00e9n formada\u00bb, dijo Wyss Founding Director Don Ingber, MD, Ph.D., quien tambi\u00e9n es profesor Judah Folkman de Biolog\u00eda Vascular en la Facultad de Medicina de Harvard y el Hospital Infantil de Boston, y profesor de Bioingenier\u00eda en la Facultad de Ingenier\u00eda y Ciencias Aplicadas John A. Paulson de Harvard. <\/p>\n
Explore m\u00e1s<\/p>\n
Algoritmo que funciona con la misma precisi\u00f3n que los dermat\u00f3logos M\u00e1s informaci\u00f3n:<\/strong> \u00abUso del aprendizaje profundo para la detecci\u00f3n a nivel de dermat\u00f3logos de lesiones cut\u00e1neas pigmentadas sospechosas a partir de im\u00e1genes de campo amplio\u00bb Science Translational Medicine, 2021. stm.sciencemag.org\/lookup\/doi\/ … scitranslmed.abb3652 Informaci\u00f3n de la revista:<\/strong> Science Translational Medicine <\/p>\n Proporcionado por la Universidad de Harvard Cita<\/strong>: Identificaci\u00f3n de ‘patitos feos’ para detectar el c\u00e1ncer de piel antes (2021, 16 de febrero) recuperado 30 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2021-02-ugly-ducklings-skin-cancer-earlier.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":" Los investigadores usaron su red neuronal de aprendizaje profundo para asignar una \u00abpuntuaci\u00f3n de patito feo\u00bb a cada lesi\u00f3n en funci\u00f3n de cu\u00e1nto difer\u00eda de otras lesiones en la piel del mismo paciente, identificando las m\u00e1s probablemente sea canceroso.Cr\u00e9dito: Instituto Wyss de la Universidad de Harvard El melanoma es, con mucho, la forma m\u00e1s letal … Continuar leyendo \u00abIdentificar ‘patitos feos’ para detectar el c\u00e1ncer de piel antes\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-15438","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/15438","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=15438"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/15438\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=15438"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=15438"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=15438"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}