Cr\u00e9dito: CC0 Public Domain <\/p>\n
Una gran colaboraci\u00f3n internacional, dirigida por el profesor Xiu Ying Wang y el profesor Manuel Graeber de la Universidad de Sydney, ha desarrollado un dispositivo artificial innovador y avanzado. aplicaci\u00f3n de inteligencia artificial (IA), PathoFusion, que podr\u00eda usarse para el examen de muestras de tejido de rutina con el fin de identificar indicios de c\u00e1ncer. <\/p>\n
La investigaci\u00f3n combina contribuciones de inform\u00e1ticos, neuropat\u00f3logos, neurocirujanos, onc\u00f3logos m\u00e9dicos y cient\u00edficos de im\u00e1genes m\u00e9dicas.<\/p>\n
El profesor Richard Banati de ANSTO, profesor de ciencias de la radiaci\u00f3n m\u00e9dica\/im\u00e1genes m\u00e9dicas, que estudia la inmunidad innata del cerebro usando t\u00e9cnicas avanzadas de im\u00e1genes m\u00e9dicas, es coautor del art\u00edculo publicado en la revista Cancers.<\/p>\n
\u00abLa idea detr\u00e1s de PathoFusion era crear un nuevo modelo avanzado de aprendizaje profundo para reconocer las caracter\u00edsticas malignas y la respuesta inmune marcadores, independientes de la intervenci\u00f3n humana, y mapearlos simult\u00e1neamente en una imagen digital\u00bb, explic\u00f3 Banati.<\/p>\n
Los cient\u00edficos dise\u00f1aron espec\u00edficamente un marco bifocal de aprendizaje profundo que es an\u00e1logo a c\u00f3mo trabaja un microscopista en el an\u00e1lisis de im\u00e1genes de histopatolog\u00eda. El marco utiliza una red neuronal convolucional (ConvNet\/CNN), que se desarroll\u00f3 originalmente para la clasificaci\u00f3n natural de im\u00e1genes.<\/p>\n
Este algoritmo de aprendizaje profundo puede tomar una imagen de entrada, asignar importancia a varios aspectos\/objetos en la imagen y diferenciar uno de otro.<\/p>\n
El experimento para evaluar el modelo involucr\u00f3 el examen de tejido de casos de glioblastoma, un c\u00e1ncer agresivo que afecta el cerebro o la columna vertebral.<\/p>\n
El equipo utiliz\u00f3 el aportes expertos de neuropat\u00f3logos para ‘entrenar’ el software para marcar caracter\u00edsticas clave.<\/p>\n
Los experimentos confirmaron que la aplicaci\u00f3n logr\u00f3 un alto nivel de precisi\u00f3n en el reconocimiento y mapeo de seis caracter\u00edsticas neuropatol\u00f3gicas t\u00edpicas que son marcadores de malignidad.<\/p>\n
p> <\/p>\n
Pathofusion identific\u00f3 formas y caracter\u00edsticas estructurales de forma fiable con una precisi\u00f3n del 94 % y una sensibilidad del 94,7 %. y marcadores inmunitarios con una precisi\u00f3n del 96,2 % y una sensibilidad del 96,1 %.<\/p>\n
La aplicaci\u00f3n combina capas de informaci\u00f3n sobre tejido muerto o moribundo, la proliferaci\u00f3n de vasos sangu\u00edneos microsc\u00f3picos y otra vasculatura con la expresi\u00f3n de un tumor marcador gen\u00e9tico, CD276, en una imagen que combina los datos en un mapa de calor.<\/p>\n
La imagen utiliza colores fuertes para representar las caracter\u00edsticas y su distribuci\u00f3n. Las t\u00e9cnicas de tinci\u00f3n convencionales a menudo son monocrom\u00e1ticas.<\/p>\n
\u00abLa investigaci\u00f3n confirm\u00f3 que es posible entrenar redes neuronales de manera efectiva utilizando solo una cantidad relativamente peque\u00f1a de casos, lo que deber\u00eda ser \u00fatil para algunos escenarios\u00bb, dijo Banati.<\/p>\n
La investigaci\u00f3n tuvo \u00e9xito en el entrenamiento eficiente de una red neuronal convolucional para reconocer caracter\u00edsticas clave en portaobjetos te\u00f1idos, mejorando el modelo y aumentando la efectividad del reconocimiento de caracter\u00edsticas (con menos casos f\u00edsicos que los necesarios convencionalmente para el entrenamiento de redes neuronales) y estableciendo un m\u00e9todo para incluir datos inmunol\u00f3gicos. <\/p>\n
Los pat\u00f3logos llevan a cabo un laborioso y laborioso trabajo de diagn\u00f3stico morfol\u00f3gico de rutina, que examinan portaobjetos individuales bajo un microscopio para marcar y cuantificar las caracter\u00edsticas que son marcadores de enfermedad y proporcionar la informaci\u00f3n a los m\u00e9dicos.<\/p>\n
\u00abAnticip\u00e1ndose a nuevas mejoras de hardware en computaci\u00f3n, deber\u00eda superar la velocidad del reconocimiento de caracter\u00edsticas microsc\u00f3picas humanas en \u00f3rdenes de magnitud cuando se usan portaobjetos histol\u00f3gicos completos a alta resoluci\u00f3n\u00bb, dijo el profesor Manuel Graeber de la Universidad de Sydney y Brain and Mind Center. . <\/p>\n
\u00abEn el futuro, el modelo podr\u00eda mejorar el flujo de trabajo de una unidad de patolog\u00eda o neuropatolog\u00eda al facilitar los an\u00e1lisis microsc\u00f3picos o beneficiar a los pacientes en un \u00e1rea sin acceso local a estos servicios\u00bb, explic\u00f3 Banati. <\/p>\n
Explore m\u00e1s<\/p>\n
Enfoque autom\u00e1tico de im\u00e1genes de microscop\u00eda usando aprendizaje profundo M\u00e1s informaci\u00f3n:<\/strong> Guoqing Bao et al. PathoFusion: un marco de IA de c\u00f3digo abierto para el reconocimiento de caracter\u00edsticas patomorfol\u00f3gicas y mapeo de datos inmunohistoqu\u00edmicos, c\u00e1nceres (2021). DOI: 10.3390\/cancers13040617 Proporcionado por la Organizaci\u00f3n Australiana de Ciencia y Tecnolog\u00eda Nuclear (ANSTO) Cita<\/strong>: Uso del poder de la inteligencia artificial para detectar enfermedades (11 de marzo de 2021) consultado el 30 de agosto de 2022 en https:\/\/medicalxpress .com\/news\/2021-03-power-artificial-intelligence-disease.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":" Cr\u00e9dito: CC0 Public Domain Una gran colaboraci\u00f3n internacional, dirigida por el profesor Xiu Ying Wang y el profesor Manuel Graeber de la Universidad de Sydney, ha desarrollado un dispositivo artificial innovador y avanzado. aplicaci\u00f3n de inteligencia artificial (IA), PathoFusion, que podr\u00eda usarse para el examen de muestras de tejido de rutina con el fin de … Continuar leyendo \u00abUso del poder de la inteligencia artificial para detectar enfermedades\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-18332","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/18332","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=18332"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/18332\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=18332"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=18332"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=18332"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}