El sistema de análisis de diagnóstico de cáncer de mama resuelve el problema del algoritmo de caja negra

0
(0)


Un sistema revolucionario de diagnóstico de cáncer de mama podría ayudar a los médicos a comprender el fundamento de las decisiones de inteligencia artificial (IA).

Investigadores del Hospital Universitario Charité en Berlín, el Instituto de Tecnología de Berlín y la Universidad de Oslo han desarrollado el nuevo sistema de análisis de secciones de tejido basado en IA para el diagnóstico de cáncer de mama.

El sistema utiliza mapas de calor para mostrar qué información visual influyó en la toma de decisiones de la IA y en qué medida, lo que permite a los médicos comprender y evaluar la plausibilidad de los resultados.

Además, por primera vez, los datos morfológicos, moleculares e histológicos se integran en un único análisis.

Los resultados de la investigación se han publicado ahora en Nature Machine Intelligence, y los investigadores ahora buscan la certificación y una mayor validación clínica, incluidas las pruebas en los diagnósticos de cáncer de rutina.

PORQUE IMPORTA

Los algoritmos de aprendizaje automático que no son transparentes sobre cómo tomaron una decisión se han denominado algoritmos de «caja negra».

Puede ser difícil para los médicos y los reguladores confiar en las herramientas de inteligencia artificial que toman decisiones cruciales sin explicar la lógica seguida. Los investigadores dicen que su nuevo sistema de análisis de secciones de tejido puede ayudar a resolver este problema, lo que representa «un paso adelante decisivo y esencial para el futuro uso regular de los sistemas de inteligencia artificial en los hospitales».

EL CONTEXTO MÁS AMPLIO

Mientras tanto, GE Healthcare y la empresa turca de salud digital CUREA están desarrollando aplicaciones basadas en inteligencia artificial para la detección y clasificación automática de lesiones mamarias mediante imágenes por resonancia magnética de contraste (CESM). Las nuevas herramientas tienen como objetivo agregar, estandarizar y dar sentido a los datos rápidamente.

EN EL REGISTRO

El profesor Dr. Klaus-Robert Müller, profesor de aprendizaje automático en TU Berlin, dijo: “El problema que tenemos es este: tenemos datos moleculares buenos y confiables y tenemos buenos datos histológicos con alto detalle espacial. Lo que todavía no tenemos es el vínculo decisivo entre los datos de imágenes y los datos moleculares de alta dimensión.

“Nuestro sistema facilita la detección de cambios patológicos en imágenes microscópicas. Paralelamente, podemos proporcionar vistas precisas de mapas de calor que muestran qué píxel de la imagen microscópica contribuyó al algoritmo de diagnóstico y en qué medida.

«Nuestro sistema de análisis ha sido entrenado mediante procesos de aprendizaje automático para que también pueda predecir varias características moleculares, incluida la condición del ADN, la expresión de genes y la expresión de proteínas en áreas específicas del tejido, basándose en imágenes del».

El profesor Dr. Frederick Klauschen del Instituto Charité de Patología dijo: “Sabemos que en el caso del cáncer de mama, el número de células inmunes inmigrantes, conocidas como linfocitos, en el tejido tumoral influye en el pronóstico de la paciente. También hay discusiones sobre si este número tiene valor predictivo, en otras palabras, si nos permite saber qué tan efectiva es una terapia en particular.

«Los métodos que hemos desarrollado permitirán en el futuro hacer que el diagnóstico histopatológico de los tumores sea más preciso, más estandarizado y cualitativamente mejor».

[ad_2]

¿De cuánta utilidad te ha parecido este contenido?

¡Haz clic en una estrella para puntuar!

Promedio de puntuación 0 / 5. Recuento de votos: 0

Hasta ahora, ¡no hay votos!. Sé el primero en puntuar este contenido.

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?