La medicina personalizada ha despertado la imaginación de medicamentos y terapias que se adaptan individualmente a los pacientes. En el futuro, ya no será necesario preocuparse por los efectos secundarios, y los pacientes serán evaluados para identificar qué tratamiento será más efectivo paraellos, en lugar de para la población promedio. El aprendizaje profundo es una herramienta clave para realizar la medicina personalizada. Un nuevo estudio realizado por investigadores japoneses describe una nueva herramienta de aprendizaje profundo que avanzará la medicina personalizada para las enfermedades musculoesqueléticas. La herramienta puede segmentar los músculos individualespara un modelo integral del sistema musculoesquelético, que se espera que promueva la biomecánica personalizada.
Las mediciones precisas del sistema musculoesquelético pueden tener un tremendo impacto para los extremadamente enfermos, como los que sufren de ELA u otras formas graves de atrofia, para influir en el diseño de dispositivos de rehabilitación y para los extraordinariamente dotados, como los atletas de alto rendimiento quequieren llevar su juego al siguiente nivel. Estas mediciones provienen de la tomografía computarizada u otra modalidad de imagen con la cual los investigadores construyen modelos de computadora para estudiar las fuerzas y tensiones en los músculos y los huesos.
"Una vez que tenemos las imágenes de CT, necesitamos segmentar los músculos individuales para construir nuestro modelo", explica el profesor Yoshinobu Sato del Instituto de Ciencia y Tecnología de Nara NAIST, Japón, quien dirigió el estudio.
"Sin embargo, esta segmentación llevó mucho tiempo y dependía del conocimiento experto. La figura muestra una visión general de nuestro sistema. Utilizamos el aprendizaje profundo para automatizar la segmentación de los músculos individuales para generar un modelo musculoesquelético personalizado para el paciente".él continúa.
Si bien es normal esperar que un médico evalúe las imágenes, esto agrega un nivel de subjetividad al diagnóstico. El sistema es especialmente beneficioso para pacientes en áreas remotas con acceso limitado a cirujanos ortopédicos expertos, para decisiones basadas en una evaluación más cuantitativala interpretación debería mejorar los resultados.
El método depende de la arquitectura bayesiana de U-net.
"U-Net es un marco de aprendizaje profundo basado en una red neuronal totalmente convolucional para la segmentación precisa de imágenes. Nuestro colega, el Dr. Yuta Hiasa, extendió U-net combinando inferencia bayesiana para formular una red bayesiana en U, en la cualla incertidumbre está asociada con los resultados de segmentación ", dice Sato.
El desafío en la segmentación de músculos individuales es el bajo contraste de las imágenes en las regiones fronterizas de los músculos vecinos. Para probar su sistema, los investigadores examinaron 19 músculos en el muslo y las caderas. Bayesian U-Net tenía una mejor precisión de segmentación que otros métodos, incluidosel método jerárquico multi-atlas, que se considera como un estado de la técnica, y lo hizo al tiempo que reduce el tiempo para entrenar y validar el sistema por un cirujano.
"Algunos píxeles en las imágenes tenían una gran incertidumbre. Fueron estos píxeles los que especialmente necesitan la confirmación de los cirujanos", señala Sato.
Los investigadores definieron así un umbral de incertidumbre para identificar qué píxeles requerían verificación humana
"Bayesian U-Net aprendió la anatomía musculoesquelética para crear segmentaciones que habrían sido creadas por expertos de alta fidelidad y nuestro cirujano ortopédico colaborador, el profesor Nobuhiko Sugano del Hospital Universitario de Osaka, está bastante satisfecho con este logro", dice Sato.
Fuente de la historia :
Materiales proporcionados por Instituto Nara de Ciencia y Tecnología . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :