Utilizamos cookies para comprender de qué manera utiliza nuestro sitio y para mejorar su experiencia. Esto incluye personalizar el contenido y la publicidad. Para más información, Haga clic. Si continua usando nuestro sitio, consideraremos que acepta que utilicemos cookies. Política de cookies.

MedImaging

Deascargar La Aplicación Móvil
Noticias Recientes Radiografía RM Ultrasonido Medicina Nuclear Imaginología General TI en Imaginología Industria

Un sistema automatizado identifica el tejido mamario denso

Por el equipo editorial de MedImaging en español
Actualizado el 07 Nov 2018
Un modelo automatizado de aprendizaje profundo (AP) puede evaluar el tejido mamario denso en las mamografías de manera tan confiable como los radiólogos expertos, afirma un nuevo estudio.

Desarrollado por investigadores del Instituto Tecnológico de Massachusetts (MIT, Cambridge, MA, EUA) y de la Facultad de Medicina de Harvard (HMS; Boston, MA, EUA), el modelo de AP se basa en una red neuronal convolucional profunda (CNN) entrenada para evaluar el sistema de datos e informes de las imágenes mamarias (BI-RADS), es decir, la densidad mamaria. Por ejemplo, grasa, dispersa, heterogénea y densa, basada en la interpretación experta de 41.479 mamografías de cribado digital obtenidas en 27.684 mujeres desde enero de 2009 hasta mayo de 2011. El algoritmo fue ensayado en un conjunto de pruebas de 8.677 mamografías en 5.741 mujeres.

Imagen: un algoritmo de inteligencia artificial puede detectar el tejido mamario denso (Fotografía cortesía de MIT).
Imagen: un algoritmo de inteligencia artificial puede detectar el tejido mamario denso (Fotografía cortesía de MIT).

Además, cinco radiólogos realizaron un estudio de lectura en 500 mamografías seleccionadas al azar del conjunto de prueba. Finalmente, el algoritmo se implementó en la práctica clínica habitual, donde ocho radiólogos revisaron 10.763 mamografías consecutivas evaluadas con el modelo. Se comparó la concordancia en la categoría BI-RADS para tres conjuntos de lecturas: radiólogos en el conjunto de pruebas, radiólogos que trabajan por consenso en el conjunto de estudio del lector y radiólogos en el conjunto de implementación clínica. Las lecturas se compararon en 5.000 muestras de implementación para evaluar la importancia.

Los resultados revelaron que el modelo de AP mostró una buena concordancia con los radiólogos en el conjunto de pruebas, y con los radiólogos en consenso en el conjunto de estudio del lector. Además, hubo muy buena concordancia con los radiólogos en el conjunto de implementación clínica; para la categorización binaria de senos densos o no densos, el radiólogo de interpretación aceptó 10.149 de 10.763 (94%) de las evaluaciones usando el AP. En las cuatro categorías de BI-RADS, el algoritmo de AP fue equivalente a las evaluaciones de los radiólogos en un 90%. El estudio fue publicado el 16 de octubre de 2018 en la revista Radiology.

"La densidad mamaria es un factor de riesgo independiente que impulsa la forma en que nos comunicamos con las mujeres sobre su riesgo de cáncer. Nuestra motivación fue crear una herramienta exacta y consistente que se pueda compartir y utilizar en todos los sistemas de atención de salud", dijo el autor del estudio, el estudiante de doctorado Adam Yala del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT. "Cuando los radiólogos saquen un examen en sus estaciones de trabajo, verán la calificación asignada del modelo, que luego aceptan o rechazan. Se tarda menos de un segundo por imagen ... [y puede] escalarse de forma fácil y económica en todos los hospitales".

Se calcula que más del 40% de las mujeres tienen tejido mamario denso, que por sí solo aumenta el riesgo de cáncer de mama. Además, el tejido denso puede enmascarar los cánceres en la mamografía, lo que dificulta la detección.

Enlace relacionado:
Instituto Tecnológico de Massachusetts
Facultad de Medicina de Harvard




New
Miembro Oro
X-Ray QA Meter
T3 AD Pro
New
X-ray Diagnostic System
FDX Visionary-A
New
Ultrasound Table
General 3-Section Top EA Ultrasound Table
New
Ultrasound Scanner
TBP-5533

Últimas Imaginología General noticias

Nuevo escáner identifica daños cerebrales en pacientes con ictus en campos magnéticos más bajos

Herramienta de IA ofrece cribado oportunista para enfermedades cardíacas utilizando tomografías computarizadas reutilizadas

Las tomografías pulmonares detectan enfermedades cardíacas en pacientes sin síntomas cardíacos