Las computadoras de 'aprendizaje profundo' en el laboratorio de diagnóstico por imágenes de Anant Madabhushi en la Universidad Case Western Reserve derrotan rutinariamente a sus contrapartes humanas en el diagnóstico de insuficiencia cardíaca, la detección de varios cánceres y la predicción de su intensidad.
Pero Madabhushi, incluso cuando con gusto promociona tres ejemplos recientes de aparente superioridad cibernética desarrollada en su laboratorio, también descarta cualquier implicación de un futuro próximo cuando tales máquinas reemplacen a patólogos y radiólogos.
"Inicialmente, siempre habrá cierta angustia y ansiedad entre los patólogos y radiólogos sobre esta idea: que nuestra tecnología de imágenes computacionales puede superarnos o incluso quitarnos el trabajo", dijo Madabhushi, cuyo centro ha logrado importantes avances en el diagnóstico de enfermedades cardiovasculares.y también cánceres de cerebro, pulmón, mama, próstata y cabeza y cuello desde su apertura en 2012.
Madabhushi, profesor II F. Alex Nason de ingeniería biomédica en la Case School of Engineering, sostiene que su investigación no solo presenta herramientas de diagnóstico invaluables, sino que también ayuda a identificar a los pacientes con enfermedades menos agresivas que pueden no necesitar másterapia.
Desde 2016, Madabhushi y su equipo han recibido más de $ 9.5 millones del Instituto Nacional del Cáncer para desarrollar herramientas computacionales para el análisis de imágenes patológicas digitales de cánceres de mama, pulmón y cabeza y cuello para identificar qué pacientes con estas enfermedades podrían evitar la radioterapia agresiva.o quimioterapia.
"No es tanto que pudimos 'vencer' al patólogo o al radiólogo, sino que la máquina fue capaz de agregar valor a lo que pueden ofrecer", dijo. "Existe una necesidad desesperada de tomar mejores decisiones:herramientas de apoyo que les permitan atender a los pacientes, especialmente en lugares donde hay muy pocos patólogos o radiólogos.
"Al brindarles apoyo para tomar decisiones, podemos ayudarlos a ser más eficientes. Por ejemplo, las herramientas podrían ayudar a reducir la cantidad de tiempo dedicado a casos sin enfermedades obvias o condiciones obviamente benignas y, en cambio, ayudarlos a enfocarse en los aspectos más confusoscasos."
Estas herramientas han estado produciendo resultados excepcionalmente precisos en el Centro de Diagnóstico Personalizado e Imágenes Computacionales de Madabhushi CCIPD en Case Western Reserve.
Considere tres ejemplos recientes :
1. El sistema de imágenes computacionales en el laboratorio de Madabhushi predijo correctamente con una precisión del 97 por ciento que entre 105 pacientes ya mostraban evidencia de insuficiencia cardíaca pendiente. En comparación, dos patólogos tenían razón el 74 y el 73 por ciento, respectivamente. Los resultadosfueron publicados recientemente en la revista PLOS ONE .
2. Madabhushi y los co-investigadores, con el apoyo de una subvención del Programa de Investigación Médica Dirigida por el Congreso del Departamento de Defensa de EE. UU. De $ 608,000, muestran que, si bien los radiólogos humanos pueden marcar hasta la mitad de todos los nódulos que aparecen en una tomografía computarizada como "sospechosos "o" indeterminados ", alrededor del 98 por ciento de esos nódulos en realidad resultan ser benignos. En un estudio reciente publicado en el Journal of Medical Imaging, Madabhushi y su grupo demostraron que su técnica de imágenes computacionales era entre un 5 y un 8 por ciento superior en comparación cona dos expertos humanos en distinguir los nódulos pulmonares benignos de los malignos en las tomografías computarizadas.
3. En un estudio internacional de escáneres de cáncer de próstata en los EE. UU., Finlandia y Australia, los algoritmos de imágenes computacionales superaron a sus homólogos humanos de dos maneras, según se detalla en un estudio publicado recientemente en el Journal of Magnetic Resonance Imaging. En más de 70porcentaje de los casos en los que los radiólogos pasaron por alto la presencia de un cáncer de próstata clínicamente significativo en una resonancia magnética IRM, el algoritmo de la máquina lo detectó. En la mitad de los casos en los que los radiólogos identificaron erróneamente la presencia de un cáncer de próstata clínicamente significativo en una resonancia magnética, elLa máquina pudo identificar correctamente que no había una enfermedad clínicamente significativa. "Todos estos son datos muy interesantes para nosotros, pero ahora necesitamos más validación y demostrar estos resultados en cohortes más grandes", dijo Madabhushi.más evidencia de lo que las imágenes computacionales de imágenes de patología y radiología pueden hacer para la investigación cardiovascular y del cáncer y su uso práctico entre los patólogos y radiólogos. "
Radiomics and Pathomics: La tecnología detrás del triunfo
Entonces, ¿qué están haciendo exactamente estas supercomputadoras que los humanos no pueden hacer que crea un margen tan amplio en el éxito del diagnóstico?
La respuesta corta podría decirse para prácticamente todas las ventajas de las computadoras en el último medio siglo: las máquinas funcionan a una velocidad y volumen mucho mayores.
La diferencia precisa aquí es que las computadoras de diagnóstico por imágenes en el CCIPD pueden leer, registrar, comparar y contrastar literalmente cientos de portaobjetos de muestras de tejido en la cantidad de tiempo que un patólogo puede dedicar a un solo portaobjetos.
Luego, catalogan rápida y completamente características como textura, forma y estructura de glándulas, núcleos y tejido circundante para determinar la agresividad y el riesgo asociados con ciertas enfermedades.
Aquí es donde entra el 'aprendizaje profundo': a partir de todo eso, crean algoritmos que pueden mirar más allá de lo que el ojo humano puede ver al comparar y contrastar esas multitudes de imágenes. Finalmente, están trabajando para predecir todo a partir de cómoagresiva será una enfermedad en cuanto a si es probable que un nódulo escaneado se vuelva canceroso.
Al final, toda esta nueva información debería ayudar a los patólogos y radiólogos con la interpretación de las diapositivas y las exploraciones, pero de manera más crítica puede ayudar a los médicos a hacer recomendaciones de tratamiento más informadas.
Madabhushi dijo que puede ayudar a un solo patólogo a hacer su trabajo de manera más eficiente al clasificar con mayor precisión a los pacientes según la verdadera necesidad de atención, o brindar esperanza a toda una nación.
"Siempre utilizo el ejemplo de Botswana, donde tienen una población de 2 millones de personas, y solo un patólogo del que estamos al tanto", dijo. "Solo con ese ejemplo, se puede ver que esta tecnología puede ayudarque un patólogo sea más eficiente y ayude a mucha más gente ".
Fuente de la historia :
Materiales proporcionado por Universidad Case Western Reserve . Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :