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     

Nuevo modelo de IA ayuda a radiólogos a identificar lesiones de cáncer de mama en imágenes de ultrasonido

Por el equipo editorial de MedImaging en español
Actualizado el 31 Aug 2023

Si bien la ecografía se utiliza con frecuencia para diagnosticar el cáncer de mama debido a su disponibilidad y rentabilidad, su precisión sigue siendo un desafío, lo que a menudo conduce a altas tasas de falsos positivos y biopsias innecesarias. Ahora, un nuevo modelo de inteligencia artificial (IA) podría mejorar la precisión de los radiólogos al evaluar imágenes de ultrasonido en busca de indicaciones de cáncer de mama. Este algoritmo podría resultar particularmente beneficioso para lectores con menos experiencia que aún están desarrollando sus habilidades.

Investigadores de la Universidad Médica de Nanjing (Nanjing, China) llevaron a cabo un estudio retrospectivo para evaluar el desempeño diagnóstico de un modelo de aprendizaje profundo (DL) para ecografía mamaria y su utilidad para lectores con distintos niveles de experiencia. Utilizaron datos de más de 45.000 imágenes de ultrasonido tomadas con 42 tipos de máquinas diferentes en cuatro hospitales. Los investigadores desarrollaron y verificaron una red neuronal convolucional basada en la atención dual que puede diferenciar los tumores malignos de los benignos utilizando imágenes de ultrasonido Doppler color y modo B.


Imagen: El modelo de aprendizaje profundo se desempeñó tan bien como lectores humanos experimentados en la evaluación de las imágenes de ultrasonido para el cáncer de mama (Fotografía cortesía de 123RF)
Imagen: El modelo de aprendizaje profundo se desempeñó tan bien como lectores humanos experimentados en la evaluación de las imágenes de ultrasonido para el cáncer de mama (Fotografía cortesía de 123RF)

Utilizando el modelo DL y sin utilizarlo, tres lectores novatos con menos de 5 años de experiencia en ecografía y dos lectores experimentados con 8 y 18 años de experiencia en ecografía interpretaron cada uno 1.024 lesiones elegidas al azar. Las diferencias en las áreas bajo las curvas características operativas del receptor (AUC) se analizaron mediante la prueba de DeLong. El modelo DL mostró un desempeño similar al de los lectores humanos experimentados, destacando su potencial como herramienta de diagnóstico confiable. Específicamente, el AUC del modelo DL coincidió estrechamente con el de radiólogos experimentados. Los radiólogos novatos con menos de cinco años de experiencia en ultrasonido demostraron mejoras notables cuando fueron asistidos por el modelo DL. El modelo aumentó su precisión diagnóstica, elevando efectivamente su desempeño a niveles similares a los de lectores experimentados.

Con la ayuda del modelo DL, tanto los radiólogos novatos como los experimentados mostraron mejoras sustanciales en la precisión del diagnóstico y la concordancia entre observadores. De particular importancia fue la notable disminución del 7,6 % en la tasa promedio de falsos positivos. Estos hallazgos sugieren que el diagnóstico asistido por DL podría ser extremadamente beneficioso para el diagnóstico de tumores de mama mediante imágenes de ultrasonido. La precisión del modelo, los resultados consistentes en diferentes hospitales y la capacidad de apoyar tanto a principiantes como a expertos indican un futuro prometedor para la integración de la tecnología de DL en la práctica clínica. Al aumentar la precisión del diagnóstico y minimizar las tasas de falsos positivos, el modelo de DL podría potencialmente agilizar los procesos clínicos y reducir el riesgo de realizar biopsias innecesarias.

"Este método es prometedor como una herramienta eficiente y rentable para ayudar a los radiólogos, especialmente a los radiólogos novatos, en el diagnóstico de tumores de mama", afirmó el primer autor Huiling Xiang. "Se necesitan más estudios para caracterizar la viabilidad de la adopción generalizada del modelo".

Enlaces relacionados:
Universidad Médica de Nanjing


New
Proveedor de oro
Electrode Solution and Skin Prep
Signaspray
Proveedor de oro
Ultrasound System
FUTUS LE
New
Ferromagnetic Hand-Held Detector
FerrAlert Target Scanner
New
Imaging Table
Stille imagiQ2

Últimas Ultrasonido noticias