Inteligencia artificial para identificar melanomas
Por el equipo editorial de MedImaging en español Actualizado el 25 Jun 2018 |
Imagen: Un nuevo estudio afirma que los algoritmos de aprendizaje profundo vencieron a los dermatólogos en la interpretación de las dermatoscopias (Fotografía cortesía de Dreamstime).
Las redes neuronales convolucionales (CNN, por sus siglas en inglés) entrenadas de inteligencia artificial (IA) son mejores que los dermatólogos experimentados para detectar el cáncer de piel, según un nuevo estudio.
Investigadores de la Universidad de Heidelberg (Alemania), la Universidad de Passau (Alemania) y otras instituciones, entrenaron al Inception CNN de Google para identificar el cáncer de piel mostrándole más de 100.000 imágenes almacenadas de melanomas malignos, así como lunares y nevos benignos. Luego compararon el desempeño de la CNN con el de 58 dermatólogos internacionales a través de un conjunto de pruebas de 100 imágenes, utilizando dos niveles de evidencia; el nivel I incluía imágenes de dermatoscopia por sí sola, y el nivel II incluía dermatoscopia más información clínica y fotografías.
Se les pidió a los dermatólogos que primero hicieran un diagnóstico de melanoma maligno o de lunar benigno solo a partir de las imágenes dermatoscópicas (nivel I) y tomaran una decisión sobre cómo tratarlo (es decir, cirugía, seguimiento a corto plazo o ninguna acción necesaria). Cuatro semanas después, se les proporcionó información clínica adicional sobre el paciente (incluida la edad, el sexo y la posición de la lesión) y las imágenes de primeros planos de los mismos 100 casos (nivel II), y se les solicitó una vez más su diagnóstico y diagnóstico y las decisiones de manejo.
Los resultados revelaron que en el nivel I, los dermatólogos detectaron con exactitud un promedio de 86,6% de los melanomas, e identificaron correctamente un promedio de 71,3% de las lesiones que no eran malignas. Sin embargo, cuando la CNN se reajustó al mismo nivel que los médicos para identificar correctamente los lunares benignos (71,3%), la CNN detectó con éxito el 95% de los melanomas. En el nivel II, los dermatólogos mejoraron su desempeño, diagnosticando con exactitud el 88,9% de los melanomas malignos y el 75,7% que no eran cancerosos. El estudio fue publicado el 28 de mayo de 2018 en la revista Annals of Oncology.
“La CNN pasó por alto menos melanomas, lo que significa que tenía una sensibilidad más alta que la de los dermatólogos, y diagnosticó erróneamente menos lunares benignos como melanomas malignos, lo que significa que tenía una especificidad mayor; esto daría como resultado menos cirugías innecesarias”, dijo el autor principal, el profesor Holger Haenssle, MD, de la Universidad de Heidelberg. “Cuando los dermatólogos recibieron más información clínica e imágenes en el nivel II, su desempeño diagnóstico mejoró. Sin embargo, la CNN, que todavía trabajaba únicamente a partir de imágenes dermatoscópicas sin información clínica adicional, siguió superando las capacidades de diagnóstico de los médicos”.
“Esta CNN puede servir a los médicos que participan en el cribado del cáncer de piel como una ayuda en su decisión de tomar una biopsia de una lesión o no hacerlo. La mayoría de los dermatólogos ya usan sistemas de dermatoscopia digital para obtener imágenes y almacenar lesiones para la documentación y el seguimiento “, concluyó el profesor Haenssle. “La CNN puede evaluar fácil y rápidamente la imagen almacenada para obtener una ‘opinión experta’ sobre la probabilidad de melanoma. Actualmente estamos planificando estudios prospectivos para evaluar el impacto de la CNN en la vida real para médicos y pacientes”.
El aprendizaje profundo es parte de una familia más amplia de métodos de aprendizaje automático basados en representaciones de datos de aprendizaje, en oposición a los algoritmos específicos de tareas. Implica algoritmos de red neuronal que utilizan una cascada de muchas capas de unidades de procesamiento no lineales para la extracción de características y la transformación, con cada capa sucesiva utilizando la salida de la capa anterior como entrada, formando así una representación jerárquica.
Enlace relacionado:
Universidad de Heidelberg
Universidad de Passau
Investigadores de la Universidad de Heidelberg (Alemania), la Universidad de Passau (Alemania) y otras instituciones, entrenaron al Inception CNN de Google para identificar el cáncer de piel mostrándole más de 100.000 imágenes almacenadas de melanomas malignos, así como lunares y nevos benignos. Luego compararon el desempeño de la CNN con el de 58 dermatólogos internacionales a través de un conjunto de pruebas de 100 imágenes, utilizando dos niveles de evidencia; el nivel I incluía imágenes de dermatoscopia por sí sola, y el nivel II incluía dermatoscopia más información clínica y fotografías.
Se les pidió a los dermatólogos que primero hicieran un diagnóstico de melanoma maligno o de lunar benigno solo a partir de las imágenes dermatoscópicas (nivel I) y tomaran una decisión sobre cómo tratarlo (es decir, cirugía, seguimiento a corto plazo o ninguna acción necesaria). Cuatro semanas después, se les proporcionó información clínica adicional sobre el paciente (incluida la edad, el sexo y la posición de la lesión) y las imágenes de primeros planos de los mismos 100 casos (nivel II), y se les solicitó una vez más su diagnóstico y diagnóstico y las decisiones de manejo.
Los resultados revelaron que en el nivel I, los dermatólogos detectaron con exactitud un promedio de 86,6% de los melanomas, e identificaron correctamente un promedio de 71,3% de las lesiones que no eran malignas. Sin embargo, cuando la CNN se reajustó al mismo nivel que los médicos para identificar correctamente los lunares benignos (71,3%), la CNN detectó con éxito el 95% de los melanomas. En el nivel II, los dermatólogos mejoraron su desempeño, diagnosticando con exactitud el 88,9% de los melanomas malignos y el 75,7% que no eran cancerosos. El estudio fue publicado el 28 de mayo de 2018 en la revista Annals of Oncology.
“La CNN pasó por alto menos melanomas, lo que significa que tenía una sensibilidad más alta que la de los dermatólogos, y diagnosticó erróneamente menos lunares benignos como melanomas malignos, lo que significa que tenía una especificidad mayor; esto daría como resultado menos cirugías innecesarias”, dijo el autor principal, el profesor Holger Haenssle, MD, de la Universidad de Heidelberg. “Cuando los dermatólogos recibieron más información clínica e imágenes en el nivel II, su desempeño diagnóstico mejoró. Sin embargo, la CNN, que todavía trabajaba únicamente a partir de imágenes dermatoscópicas sin información clínica adicional, siguió superando las capacidades de diagnóstico de los médicos”.
“Esta CNN puede servir a los médicos que participan en el cribado del cáncer de piel como una ayuda en su decisión de tomar una biopsia de una lesión o no hacerlo. La mayoría de los dermatólogos ya usan sistemas de dermatoscopia digital para obtener imágenes y almacenar lesiones para la documentación y el seguimiento “, concluyó el profesor Haenssle. “La CNN puede evaluar fácil y rápidamente la imagen almacenada para obtener una ‘opinión experta’ sobre la probabilidad de melanoma. Actualmente estamos planificando estudios prospectivos para evaluar el impacto de la CNN en la vida real para médicos y pacientes”.
El aprendizaje profundo es parte de una familia más amplia de métodos de aprendizaje automático basados en representaciones de datos de aprendizaje, en oposición a los algoritmos específicos de tareas. Implica algoritmos de red neuronal que utilizan una cascada de muchas capas de unidades de procesamiento no lineales para la extracción de características y la transformación, con cada capa sucesiva utilizando la salida de la capa anterior como entrada, formando así una representación jerárquica.
Enlace relacionado:
Universidad de Heidelberg
Universidad de Passau
Últimas Imaginología General noticias
- Aplicación RA convierte escaneos médicos en hologramas para ayudar en planificación quirúrgica
- Tecnología de imágenes proporciona nuevo enfoque innovador para diagnosticar y tratar cáncer de intestino
- Puntuación de calcio coronario por TC predice ataques cardíacos y accidentes cerebrovasculares
- Modelo de IA detecta 90 % de casos de cáncer linfático a partir de imágenes de PET y TC
- El algoritmo de aprendizaje profundo basado en TC diferencia con precisión las fracturas vertebrales benignas de las malignas
- Tecnología innovadora revoluciona imágenes mamarias
- Sistema de última generación mejora la precisión de procedimientos intervencionistas y diagnóstico guiados por imágenes
- Dispositivo basado en catéter con nuevo enfoque de imágenes cardiovasculares ofrece visión sin precedentes de placas peligrosas
- Modelo de IA dibuja mapas para identificar con precisión tumores y enfermedades en imágenes médicas
- Sistema de TC habilitado por IA proporciona resultados de imágenes más precisos y confiables
- Exámenes de TC tórax de rutina pueden identificar pacientes con riesgo de enfermedad cardiovascular
- Software de planificación quirúrgica preoperatoria de RA hace que la cirugía sea más segura y eficiente
- Biopsia virtual impulsada por IA ayuda a evaluar cáncer de pulmón a partir de exploraciones médicas
- Nuevos materiales imprimibles en 3D para cirugía reconstructiva se pueden monitorear mediante rayos X o TC
- TC con conteo de fotones mejora evaluación de enfermedad arterial coronaria
- Nuevo radiotrazador ilumina exploración PET para detección más temprana de enfermedades