La visualizaci\u00f3n de las predicciones de LungNet en un espacio bidimensional mostr\u00f3 que los pacientes del grupo de alto riesgo se agrupan lejos de los del grupo de bajo riesgo. Las lesiones de los pacientes de bajo riesgo se caracterizaron por n\u00f3dulos de forma regular y uniforme. Los n\u00f3dulos de los pacientes del grupo de alto riesgo ten\u00edan m\u00e1rgenes n\u00edtidos e irregulares. Cr\u00e9dito: Mukherjee, et al., Nature Machine Intelligence, mayo de 2020 <\/p>\n
La tomograf\u00eda computarizada (TC) es una importante herramienta de diagn\u00f3stico para la evaluaci\u00f3n del c\u00e1ncer de pulm\u00f3n en pacientes. Ahora, investigadores financiados por NIBIB en la Universidad de Stanford han creado una red neuronal artificial que analiza tomograf\u00edas computarizadas de pulm\u00f3n para proporcionar informaci\u00f3n sobre la gravedad del c\u00e1ncer de pulm\u00f3n que puede guiar las opciones de tratamiento. <\/p>\n
La tomograf\u00eda computarizada es una herramienta de diagn\u00f3stico importante para medir la ubicaci\u00f3n, la extensi\u00f3n, el tama\u00f1o y la forma de las lesiones pulmonares que se utilizan para guiar las decisiones terap\u00e9uticas de los pacientes con c\u00e1ncer de pulm\u00f3n, la neoplasia maligna fatal m\u00e1s com\u00fan en adultos en todo el mundo. Sin embargo, el an\u00e1lisis de las im\u00e1genes de TC se limita a lo que es visible para el ojo humano, y la variabilidad del lector da como resultado diferencias en la atenci\u00f3n cl\u00ednica entre los diferentes centros de oncolog\u00eda. <\/p>\n
Un grupo multidisciplinario de expertos en inform\u00e1tica biom\u00e9dica, radiolog\u00eda, ciencia de datos, ingenier\u00eda el\u00e9ctrica y oncolog\u00eda radioter\u00e1pica se uni\u00f3 para crear una red neuronal de aprendizaje autom\u00e1tico llamada LungNet, dise\u00f1ada para obtener informaci\u00f3n consistente, r\u00e1pida y precisa de tomograf\u00edas computarizadas de pulm\u00f3n de pacientes. El grupo trabaj\u00f3 con escaneos de adultos con c\u00e1ncer de pulm\u00f3n de c\u00e9lulas no peque\u00f1as (NSCLC, por sus siglas en ingl\u00e9s), que representa el 85 % de los diagn\u00f3sticos de c\u00e1ncer de pulm\u00f3n.<\/p>\n
\u00abLungNet demuestra los beneficios de dise\u00f1ar y entrenar herramientas de aprendizaje autom\u00e1tico directamente en m\u00e9dicos im\u00e1genes de los pacientes\u00bb, dijo Qi Duan, Ph.D., director del Programa NIBIB en Procesamiento de Im\u00e1genes, Percepci\u00f3n Visual y Visualizaci\u00f3n. \u00abEste es un ejemplo destacado de c\u00f3mo la tecnolog\u00eda de aprendizaje autom\u00e1tico puede ser un enfoque rentable para avanzar en la detecci\u00f3n, el diagn\u00f3stico y el tratamiento de enfermedades\u00bb.<\/p>\n
El grupo de investigaci\u00f3n estuvo dirigido por Olivier Gevaert, profesor asistente de medicina en Biomedical Informatics Research, en Stanford, que se especializa en el desarrollo de m\u00e9todos de aprendizaje autom\u00e1tico para apoyar decisiones biom\u00e9dicas utilizando datos biom\u00e9dicos a m\u00faltiples escalas.<\/p>\n
\u00abEl an\u00e1lisis cuantitativo de im\u00e1genes ha demostrado que las im\u00e1genes radiol\u00f3gicas, como las tomograf\u00edas computarizadas de pacientes con c\u00e1ncer de pulm\u00f3n, contienen m\u00e1s informaci\u00f3n minable que la que observan los radi\u00f3logos\u00bb, explic\u00f3 Gevaert. \u00abUsando conjuntos de datos de im\u00e1genes de TC de varias cl\u00ednicas de oncolog\u00eda diferentes, nos dispusimos a determinar si nuestra red neuronal podr\u00eda entrenarse para analizar de manera precisa y reproducible los escaneos y brindar informaci\u00f3n cl\u00ednica \u00fatil y consistente\u00bb.<\/p>\n
La red neuronal llamada LungNet se entren\u00f3 y evalu\u00f3 en cuatro cohortes independientes de pacientes con NSCLC de cuatro centros m\u00e9dicos, cada centro con un promedio de varios cientos de pacientes. El an\u00e1lisis de LungNet predijo con precisi\u00f3n la supervivencia general en los cuatro grupos de pacientes. LungNet tambi\u00e9n clasific\u00f3 con precisi\u00f3n los n\u00f3dulos benignos frente a los malignos y pudo estratificar a\u00fan m\u00e1s los n\u00f3dulos con respecto a la progresi\u00f3n del c\u00e1ncer.<\/p>\n
El equipo de investigaci\u00f3n espera que LungNet sea extremadamente valioso no solo para clasificar los tumores benignos frente a los malignos, sino tambi\u00e9n para estratificar a los pacientes en niveles bajos , grupos de riesgo medio y alto. Esto permite intensificar el tratamiento para los pacientes del grupo de alto riesgo, as\u00ed como reducir los tratamientos innecesarios para los pacientes del grupo de bajo riesgo.<\/p>\n
Los resultados se publicaron en la revista Nature Machine Intelligence. <\/p>\n
Explore m\u00e1s<\/p>\n
Uso de aprendizaje autom\u00e1tico para detectar ADN de c\u00e1ncer de pulm\u00f3n en sangre M\u00e1s informaci\u00f3n:<\/strong> Pritam Mukherjee et al. Una red neuronal convolucional poco profunda predice el pron\u00f3stico de pacientes con c\u00e1ncer de pulm\u00f3n en conjuntos de datos de im\u00e1genes de tomograf\u00eda computarizada multiinstitucionales, Nature Machine Intelligence (2020). DOI: 10.1038\/s42256-020-0173-6 Informaci\u00f3n de la revista:<\/strong> Nature Machine Intelligence <\/p>\n Proporcionado por los Institutos Nacionales de Salud Cita<\/strong>: La red neuronal puede determinar la gravedad del c\u00e1ncer de pulm\u00f3n (2020, 25 de junio) recuperado el 31 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2020-06-neural-network-lung-cancer-severity.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":" La visualizaci\u00f3n de las predicciones de LungNet en un espacio bidimensional mostr\u00f3 que los pacientes del grupo de alto riesgo se agrupan lejos de los del grupo de bajo riesgo. Las lesiones de los pacientes de bajo riesgo se caracterizaron por n\u00f3dulos de forma regular y uniforme. Los n\u00f3dulos de los pacientes del grupo de … Continuar leyendo \u00abLa red neuronal puede determinar la gravedad del c\u00e1ncer de pulm\u00f3n\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-28543","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/28543","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=28543"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/28543\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=28543"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=28543"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=28543"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}