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

Nueva herramienta de IA detecta con precisión seis tipos diferentes de cáncer en escáneres PET/TC de cuerpo entero

Por el equipo editorial de MedImaging en español
Actualizado el 24 Jun 2024

La detección y caracterización automática del cáncer son cruciales para iniciar un tratamiento temprano. La mayoría de los modelos de inteligencia artificial (IA) diseñados para detectar el cáncer se basan en conjuntos de datos que son pequeños o de tamaño moderado y normalmente se centran en un solo tipo de cáncer y/o radiotrazador. Esta limitación es un obstáculo importante en los métodos de formación y evaluación existentes utilizados para la IA en imágenes médicas y radiología. Ahora, se ha demostrado que un nuevo método de IA identifica con precisión seis tipos diferentes de cáncer en exploraciones PET/CT de todo el cuerpo. Esta herramienta también cuantifica automáticamente la carga tumoral, lo que puede ayudar a evaluar el riesgo del paciente, predecir las respuestas al tratamiento y estimar las probabilidades de supervivencia.

En la Facultad de Medicina de la Universidad Johns Hopkins (Baltimore, MD, EUA), investigadores han desarrollado una técnica de aprendizaje por transferencia profunda (una forma de IA) para la segmentación totalmente automatizada de tumores y el pronóstico mediante exploraciones PET/CT de cuerpo entero. El estudio analizó datos de 611 exploraciones PET/CT con FDG de pacientes con cáncer de pulmón, melanoma, linfoma, cáncer de cabeza y cuello y cáncer de mama, además de 408 exploraciones PET/CT con PSMA de pacientes con cáncer de próstata. Este método de IA extrajo automáticamente características radiómicas y métricas de imágenes de todo el cuerpo de las segmentaciones tumorales previstas para cuantificar la carga y la absorción del tumor molecular en todos los tipos de cáncer estudiados.


Imagen: Ejemplos ilustrativos de segmentaciones tumorales predichas mediante un enfoque de aprendizaje de transferencia profunda en seis tipos de cáncer (foto cortesía de la Universidad Johns Hopkins)
Imagen: Ejemplos ilustrativos de segmentaciones tumorales predichas mediante un enfoque de aprendizaje de transferencia profunda en seis tipos de cáncer (foto cortesía de la Universidad Johns Hopkins)

Estas características cuantitativas y métricas de imágenes se utilizaron luego para construir modelos predictivos que resultaron útiles para estratificar el riesgo, estimar la supervivencia y predecir la respuesta al tratamiento en pacientes con cáncer. Los investigadores esperan que en un futuro próximo, las herramientas de IA generalizables y totalmente automatizadas contribuyan significativamente en los centros de imágenes al ayudar a los médicos en la interpretación de las exploraciones PET/CT para pacientes con cáncer. Además, este enfoque de aprendizaje profundo podría revelar importantes conocimientos moleculares sobre los procesos biológicos que actualmente no se investigan lo suficiente en grandes cohortes de pacientes.

"Además de realizar el pronóstico del cáncer, el enfoque proporciona un marco que ayudará a mejorar los resultados y la supervivencia de los pacientes al identificar biomarcadores predictivos sólidos, caracterizar los subtipos de tumores y permitir la detección y el tratamiento tempranos del cáncer", dijo Kevin H. Leung, PhD, investigador asociado de la Facultad de Medicina de la Universidad Johns Hopkins. "El enfoque también puede ayudar en el tratamiento temprano de pacientes con enfermedad avanzada en etapa terminal al identificar regímenes de tratamiento apropiados y predecir la respuesta a terapias, como la terapia radiofarmacéutica". Los hallazgos del estudio se presentaron en la Reunión Anual de 2024 de la Sociedad de Medicina Nuclear e Imágenes Moleculares (SNMI).

Enlaces relacionados:
Facultad de Medicina de la Universidad Johns Hopkins


Miembro Oro
Solid State Kv/Dose Multi-Sensor
AGMS-DM+
New
Ultrasound System
Aplio me
1.5T MRI System
uMR 670
CT Phantom
CIRS Model 610 AAPM CT Performance Phantom

Últimas Imaginología General noticias

Sistema PET de ultra alto rendimiento proporciona imágenes cerebrales nunca antes vistas

Herramienta de inteligencia artificial mejora la usabilidad de imágenes médicas

Técnica de imágenes innovadora ayuda a evaluar la pérdida ósea después de la cirugía bariátrica