Los patólogos han diagnosticado en gran medida la enfermedad de la misma manera durante los últimos 100 años, al revisar manualmente las imágenes bajo un microscopio. Pero un nuevo trabajo sugiere que las computadoras pueden ayudar a los médicos a mejorar la precisión y cambiar significativamente la forma en que se diagnostica el cáncer y otras enfermedades.
Un equipo de investigación del Beth Israel Deaconess Medical Center BIDMC y la Harvard Medical School HMS desarrolló recientemente métodos de inteligencia artificial IA destinados a entrenar computadoras para interpretar imágenes de patología, con el objetivo a largo plazo de construir sistemas impulsados por IApara hacer diagnósticos patológicos más precisos
"Nuestro método de IA se basa en el aprendizaje profundo, un algoritmo de aprendizaje automático utilizado para una variedad de aplicaciones, incluido el reconocimiento de voz y el reconocimiento de imágenes", explicó el patólogo Andrew Beck, MD, PhD, Director de Bioinformática en el Cancer Research Institute en BethIsrael Deaconess Medical Center BIDMC y profesor asociado en la Facultad de Medicina de Harvard. "Este enfoque enseña a las máquinas a interpretar los patrones complejos y la estructura observada en los datos de la vida real mediante la construcción de redes neuronales artificiales multicapa, en un proceso que se cree quemuestran similitudes con el proceso de aprendizaje que ocurre en capas de neuronas en la neocorteza del cerebro, la región donde ocurre el pensamiento ".
El enfoque del laboratorio Beck se puso a prueba recientemente en una competencia celebrada en la reunión anual del Simposio Internacional de Imágenes Biomédicas ISBI, que consistió en examinar imágenes de ganglios linfáticos para decidir si contenían o no cáncer de mama. La investigaciónEl equipo de Beck y los becarios posdoctorales de su laboratorio, Dayong Wang, PhD y Humayun Irshad, PhD, y el estudiante Rishab Gargya, junto con Aditya Khosla del Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT, ocuparon el primer lugar en dos categorías separadas, compitiendo contra empresas privadas.e instituciones de investigación académica de todo el mundo. El equipo de investigación publicó hoy un informe técnico que describe su enfoque al repositorio arXiv.org, un archivo de acceso abierto de impresiones electrónicas en física, matemáticas, ciencias de la computación, biología cuantitativa, finanzas cuantitativas y estadísticas.
"Identificar la presencia o ausencia de cáncer metastásico en los ganglios linfáticos de un paciente es una tarea rutinaria y críticamente importante para los patólogos", explicó Beck. "Mirar al microscopio para examinar millones de células normales para identificar unas pocas células malignas puederesultó extremadamente laborioso utilizando métodos convencionales. Pensamos que esta era una tarea en la que la computadora podría ser bastante buena, y ese fue el caso ".
En una evaluación objetiva en la que los investigadores recibieron diapositivas de las células de los ganglios linfáticos y se les pidió determinar si contenían cáncer o no, el método de diagnóstico automatizado del equipo demostró ser exacto aproximadamente el 92 por ciento de las veces, explicó Khosla, y agregó: "Esto casi coincidela tasa de éxito de un patólogo humano, cuyos resultados fueron 96 por ciento precisos "
"Pero lo verdaderamente emocionante fue cuando combinamos el análisis del patólogo con nuestro método de diagnóstico computacional automatizado, el resultado mejoró al 99.5 por ciento de precisión", dijo Beck. "La combinación de estos dos métodos produjo una reducción importante en los errores".
El equipo entrenó a la computadora para distinguir entre regiones tumorales cancerosas y regiones normales en base a una red convolucional de múltiples capas profunda.
"En nuestro enfoque, comenzamos con cientos de diapositivas de entrenamiento para las cuales un patólogo ha etiquetado regiones de cáncer y regiones de células normales", dijo Wang. "Luego extrajimos millones de estos pequeños ejemplos de entrenamiento y utilizamos el aprendizaje profundo para construir unmodelo computacional para clasificarlos ". El equipo identificó los ejemplos de entrenamiento específicos para los cuales la computadora es propensa a cometer errores y volvió a entrenar la computadora usando un mayor número de ejemplos de entrenamiento más difíciles. De esta manera, el rendimiento de la computadora continuó mejorando.
"Ha habido muchas razones para pensar que digitalizar imágenes y usar el aprendizaje automático podría ayudar a los patólogos a ser más rápidos, más precisos y a hacer diagnósticos más precisos para los pacientes", agregó Beck. "Esta ha sido una gran misión en el campo de la patología paramás de 30 años. Pero solo recientemente, la mejora en el escaneo, el almacenamiento, el procesamiento y los algoritmos han permitido llevar a cabo esta misión de manera efectiva. Nuestros resultados en la competencia ISBI muestran que lo que está haciendo la computadora es realmente inteligente y que la combinación deLas interpretaciones humanas y por computadora darán lugar a diagnósticos más precisos y clínicamente más valiosos para guiar las decisiones de tratamiento ".
Jeroen van der Laak, PhD, que dirige un grupo de investigación de patología digital en el Centro Médico de la Universidad Radboud en los Países Bajos y fue organizador de la competencia, dijo: "Cuando comenzamos este desafío, esperábamos algunos resultados interesantes. El hecho de quelas computadoras tuvieron un rendimiento casi comparable al de los humanos, está mucho más allá de lo que había anticipado. Es una clara indicación de que la inteligencia artificial va a dar forma a la forma en que manejemos las imágenes histopatológicas en los próximos años ".
Fuente de la historia :
Materiales proporcionado por Centro Médico Beth Israel Deaconess . Nota: El contenido puede ser editado por estilo y longitud.
Cite esta página :