Mapa espacial de una secci\u00f3n de tejido de c\u00e1ncer colorrectal producido por el algoritmo IDARS, mapeando una medida indirecta de inestabilidad (rojo) o estabilidad (verde) para microsat\u00e9lites de ADN en el tumor. Las regiones de tejido sin ninguna superposici\u00f3n no son tumorales. Los casos de c\u00e1ncer de colon con alta inestabilidad de microsat\u00e9lites generalmente tienen m\u00e1s probabilidades de responder a costosos tratamientos de inmunoterapia. Cr\u00e9dito: Universidad de Warwick <\/p>\n
Un nuevo algoritmo de aprendizaje profundo creado por investigadores de la Universidad de Warwick puede detectar las v\u00edas moleculares y el desarrollo de mutaciones clave que causan el c\u00e1ncer colorrectal con mayor precisi\u00f3n que los m\u00e9todos existentes, lo que significa que los pacientes podr\u00edan beneficiarse de terapias dirigidas con mayor rapidez. tiempos de entrega y a un menor costo. <\/p>\n
Para tratar el c\u00e1ncer colorrectal de forma r\u00e1pida y eficaz, se debe determinar el estado de las v\u00edas moleculares implicadas en el desarrollo y las mutaciones clave del c\u00e1ncer. Los m\u00e9todos actuales para hacerlo implican pruebas gen\u00e9ticas costosas, que pueden ser un proceso lento.<\/p>\n
Sin embargo, los investigadores del Departamento de Ciencias de la Computaci\u00f3n de la Universidad de Warwick han estado explorando c\u00f3mo se puede usar el aprendizaje autom\u00e1tico para predecir el estado de tres v\u00edas moleculares principales del c\u00e1ncer colorrectal y tumores hipermutados. Una caracter\u00edstica clave del m\u00e9todo es que no requiere anotaciones manuales en im\u00e1genes digitalizadas de los portaobjetos de tejido canceroso.<\/p>\n
En el documento, \u00abUn marco de aprendizaje profundo supervisado d\u00e9bilmente para predecir el estado de las v\u00edas moleculares y mutaciones clave en el c\u00e1ncer colorrectal a partir de im\u00e1genes histol\u00f3gicas de rutina\u00bb, publicado hoy, 19 de octubre, en la revista The Lancet Digital Health, investigadores de la Universidad de Warwick han explorado c\u00f3mo el aprendizaje autom\u00e1tico puede detectar tres mutaciones clave a partir de im\u00e1genes de diapositivas completas de c\u00e1ncer colorrectal. portaobjetos te\u00f1idos con hematoxilina y eosina, como una alternativa a los reg\u00edmenes de prueba actuales para estas v\u00edas y mutaciones.<\/p>\n
Los investigadores proponen un novedoso algoritmo iterativo de muestreo de sorteo y clasificaci\u00f3n, que puede seleccionar subim\u00e1genes o mosaicos representativos de una imagen de diapositiva completa sin necesidad de anotaciones detalladas a nivel celular o regional por parte de un pat\u00f3logo. Esencialmente, el nuevo algoritmo puede aprovechar el poder de los datos de p\u00edxeles sin procesar para predecir mutaciones cl\u00ednicamente importantes y v\u00edas para el c\u00e1ncer de colon, sin intercepci\u00f3n humana.<\/p>\n
El muestreo iterativo por sorteo y clasificaci\u00f3n funciona al entrenar una red neuronal convolucional profunda para identificar las regiones de imagen m\u00e1s predictivas de los par\u00e1metros moleculares clave en los c\u00e1nceres colorrectales. Una caracter\u00edstica clave del muestreo iterativo de sorteo y clasificaci\u00f3n es que permite un an\u00e1lisis sistem\u00e1tico y basado en datos de la composici\u00f3n celular de los mosaicos de im\u00e1genes que predice fuertemente las v\u00edas moleculares colorrectales.<\/p>\n
La precisi\u00f3n del muestreo iterativo de sorteo y clasificaci\u00f3n Los investigadores tambi\u00e9n analizaron el muestreo de rangos, y encontraron que para la predicci\u00f3n de las tres v\u00edas moleculares principales del c\u00e1ncer colorrectal y las mutaciones clave, su algoritmo demostr\u00f3 ser significativamente m\u00e1s preciso que los m\u00e9todos publicados actualmente.<\/p>\n
Esto significa que el El nuevo algoritmo se puede usar potencialmente para estratificar a los pacientes para terapias dirigidas, a costos m\u00e1s bajos y tiempos de respuesta m\u00e1s r\u00e1pidos, en comparaci\u00f3n con la secuenciaci\u00f3n o los enfoques basados en tinciones especiales despu\u00e9s de la validaci\u00f3n a gran escala.<\/p>\n
Dr. Mohsin Bilal, primer autor del estudio y cient\u00edfico de datos en el Centro de an\u00e1lisis de im\u00e1genes de tejidos (TIA) de la Universidad de Warwick, dice: \u00abEstoy muy entusiasmado con la posibilidad de utilizar un algoritmo de muestreo iterativo de extracci\u00f3n y rango para detectar v\u00edas y mutaciones clave en el c\u00e1ncer colorrectal y pacientes seleccionados que probablemente se beneficiar\u00e1n de terapias dirigidas a un costo m\u00e1s bajo con tiempos de respuesta m\u00e1s r\u00e1pidos. Tambi\u00e9n esperamos con ansias el pr\u00f3ximo paso vital de validar nuestro algoritmo en grandes cohortes multic\u00e9ntricas\u00bb.<\/p>\n
El profesor Nasir Rajpoot, director del Centro TIA en Warwick y autor principal del estudio, comenta: \u00abEste estudio demuestra c\u00f3mo los algoritmos inteligentes pueden aprovechar el poder de los datos de p\u00edxeles sin procesar para predecir mutaciones cl\u00ednicamente importantes y v\u00edas para el c\u00e1ncer de colon. A La principal ventaja de nuestro algoritmo de muestreo iterativo de dibujar y clasificar es que no requiere anotaciones laboriosas y que consumen mucho tiempo por parte de pat\u00f3logos expertos. \u00abEstos hallazgos abren la posibilidad de po uso potencial del muestreo iterativo de sorteo y clasificaci\u00f3n para seleccionar pacientes que probablemente se beneficiar\u00e1n de las terapias dirigidas y hacerlo a costos m\u00e1s bajos y con tiempos de respuesta m\u00e1s r\u00e1pidos en comparaci\u00f3n con la secuenciaci\u00f3n o los enfoques basados en marcadores especiales.<\/p>\n
\u00abLo haremos ahora busque realizar una gran validaci\u00f3n multic\u00e9ntrica de este algoritmo para allanar el camino para su adopci\u00f3n cl\u00ednica\u00bb. <\/p>\n
Explore m\u00e1s<\/p>\n
Uso del aprendizaje autom\u00e1tico para encontrar mutaciones en secuencias gen\u00f3micas similares de muestras de c\u00e1ncer M\u00e1s informaci\u00f3n:<\/strong> Un marco de aprendizaje profundo poco supervisado para predecir el estado de las v\u00edas moleculares y las mutaciones clave en c\u00e1ncer colorrectal a partir de im\u00e1genes de histolog\u00eda de rutina, The Lancet Digital Health, DOI: 10.1016\/S2589-7500(21)00180-1 Proporcionado por la Universidad de Warwick Cita<\/strong>: El nuevo algoritmo de aprendizaje profundo puede detectar mutaciones gen\u00e9ticas en c\u00e1ncer colorrectal c\u00e1nceres m\u00e1s eficientemente (2021, 19 de octubre) recuperado el 29 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2021-10-deep-algorithm-genetic-mutations-colorrectal.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":" Mapa espacial de una secci\u00f3n de tejido de c\u00e1ncer colorrectal producido por el algoritmo IDARS, mapeando una medida indirecta de inestabilidad (rojo) o estabilidad (verde) para microsat\u00e9lites de ADN en el tumor. Las regiones de tejido sin ninguna superposici\u00f3n no son tumorales. Los casos de c\u00e1ncer de colon con alta inestabilidad de microsat\u00e9lites generalmente tienen … Continuar leyendo \u00abNuevo algoritmo de aprendizaje profundo puede detectar mutaciones gen\u00e9ticas en c\u00e1nceres colorrectales de manera m\u00e1s eficiente\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-502","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/502","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=502"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/502\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=502"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=502"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=502"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}