Un método basado en la IA reduce los falsos positivos en la mamografía
Por el equipo editorial de MedImaging en español Actualizado el 24 Oct 2018 |
Un equipo de investigadores de la Universidad de Pittsburgh (Pittsburgh, PA, EUA) ha desarrollado un método de inteligencia artificial (IA) basado en una red neuronal convolucional de aprendizaje profundo (CNN, por sus siglas en inglés) que podría identificar características de imágenes mamográficas matizadas específicas en las pacientes a quienes se le solicitó una segunda mamografía, pero que muestran resultados benignos (falsas positivas) y diferenciar dichas mamografías de aquellas identificadas como malignas o negativas.
Los investigadores realizaron un estudio para determinar si se podría aplicar un aprendizaje profundo para analizar un gran conjunto de mamografías con el fin de distinguir imágenes de mujeres con un diagnóstico maligno, imágenes de mujeres a quienes se les hizo una segunda mamografía y que luego se determinó que tenían lesiones benignas y las imágenes de mujeres que se determinó que estaban libres de cáncer de mama en el momento del examen.
Los investigadores utilizaron un total de 14.860 imágenes de 3.715 pacientes de dos conjuntos de datos de mamografía independientes, el conjunto de datos de mamografía digital de campo completo (FFDM - 1.303 pacientes) y el conjunto de datos digitales de mamografía (DDSM - 2.412 pacientes). Construyeron modelos de CNN y utilizaron métodos de entrenamiento de modelos mejorados para investigar seis escenarios de clasificación que ayudarían a diferenciar las imágenes de las mamografías benignas, las malignas y las que requieren un segundo examen. Al combinar los conjuntos de datos de FFDM y DDSM, el área bajo la curva (AUC) para diferenciar las imágenes benignas, las malignas y las benignas en un segundo examen varió de 0,76 a 0,91. Cuanto más alto es el AUC, mejor será el desempeño, con un máximo de 1, según Shandong Wu, PhD, profesor asistente de radiología, informática biomédica, bioingeniería, sistemas inteligentes y ciencias clínicas y de traducción, y director de Computación Inteligente para el Laboratorio de Imagenología Clínica en el Departamento de Radiología de la Universidad de Pittsburgh, Pennsylvania.
"Demostramos que hay características de imágenes únicas para las imágenes benignas en segunda instancia que el aprendizaje profundo puede identificar y potencialmente ayudar a los radiólogos a tomar mejores decisiones sobre si una paciente debe ser examinada nuevamente o es más probable que sea un resultado falso positivo", dijo Wu. "Basados en la capacidad constante de nuestro algoritmo para discriminar todas las categorías de imágenes de mamografía, nuestros hallazgos indican que efectivamente existen algunas características distintivas únicas de las imágenes en que se solicita un segundo examen innecesariamente. Nuestros modelos de IA pueden complementar a los radiólogos en la lectura de estas imágenes y, en última instancia, beneficiar a las pacientes ayudando a reducir las solicitudes innecesarias para un segundo examen".
Enlace relacionado:
Universidad de Pittsburgh
Los investigadores realizaron un estudio para determinar si se podría aplicar un aprendizaje profundo para analizar un gran conjunto de mamografías con el fin de distinguir imágenes de mujeres con un diagnóstico maligno, imágenes de mujeres a quienes se les hizo una segunda mamografía y que luego se determinó que tenían lesiones benignas y las imágenes de mujeres que se determinó que estaban libres de cáncer de mama en el momento del examen.
Los investigadores utilizaron un total de 14.860 imágenes de 3.715 pacientes de dos conjuntos de datos de mamografía independientes, el conjunto de datos de mamografía digital de campo completo (FFDM - 1.303 pacientes) y el conjunto de datos digitales de mamografía (DDSM - 2.412 pacientes). Construyeron modelos de CNN y utilizaron métodos de entrenamiento de modelos mejorados para investigar seis escenarios de clasificación que ayudarían a diferenciar las imágenes de las mamografías benignas, las malignas y las que requieren un segundo examen. Al combinar los conjuntos de datos de FFDM y DDSM, el área bajo la curva (AUC) para diferenciar las imágenes benignas, las malignas y las benignas en un segundo examen varió de 0,76 a 0,91. Cuanto más alto es el AUC, mejor será el desempeño, con un máximo de 1, según Shandong Wu, PhD, profesor asistente de radiología, informática biomédica, bioingeniería, sistemas inteligentes y ciencias clínicas y de traducción, y director de Computación Inteligente para el Laboratorio de Imagenología Clínica en el Departamento de Radiología de la Universidad de Pittsburgh, Pennsylvania.
"Demostramos que hay características de imágenes únicas para las imágenes benignas en segunda instancia que el aprendizaje profundo puede identificar y potencialmente ayudar a los radiólogos a tomar mejores decisiones sobre si una paciente debe ser examinada nuevamente o es más probable que sea un resultado falso positivo", dijo Wu. "Basados en la capacidad constante de nuestro algoritmo para discriminar todas las categorías de imágenes de mamografía, nuestros hallazgos indican que efectivamente existen algunas características distintivas únicas de las imágenes en que se solicita un segundo examen innecesariamente. Nuestros modelos de IA pueden complementar a los radiólogos en la lectura de estas imágenes y, en última instancia, beneficiar a las pacientes ayudando a reducir las solicitudes innecesarias para un segundo examen".
Enlace relacionado:
Universidad de Pittsburgh
Últimas Industria noticias
- Samsung y Bracco firman nuevo acuerdo de tecnología de ultrasonido de diagnóstico
- IBA adquiere Radcal para ampliar oferta de garantía de calidad de imágenes médicas
- Sociedades internacionales sugieren consideraciones clave para herramientas IA para radiología
- Dispositivos de rayos X de Samsung funcionarán con soluciones de IA de Lunit para exámenes avanzados de tórax
- Canon Medical y Olympus colaboran en sistemas de ultrasonido endoscópico
- GE HealthCare adquiere empresa de análisis de imágenes por IA MIM Software
- Primeros criterios internacionales establecen las bases para mejorar diagnóstico por imágenes de tumores cerebrales
- RSNA revela los 10 estudios de radiología más citados de 2023
- Exposiciones técnicas RSNA 2023 ofrecerá innovaciones en IA, impresión 3D y más
- Según un estudio, productos de imágenes médicas por IA se quintuplicarán para 2035
- Exposiciones técnicas de RSNA 2023 destacan las últimas innovaciones en imágenes médicas
- Tecnologías impulsadas por IA ayudan a interpretar rediografías e imágenes de resonancias magnéticas para mejorar diagnóstico de enfermedades
- Hologic y Bayer se asocian para mejorar imágenes de mamografía
- Mercado mundial de arcos en C fijos y móviles impulsado por aumento de procedimientos quirúrgicos
- Mercado mundial de ultrasonido mejorado por contraste impulsado por demanda de detección temprana de enfermedades crónicas
- Uso de imágenes avanzadas aumenta en departamentos de emergencia