La Inteligencia artificial detecta el cáncer de pulmón con resultados excepcionales

Con la ayuda del aprendizaje profundo, la inteligencia artificial se ha vuelto bastante poderosa y es muy eficaz en el reconocimiento de imágenes.Un equipo de investigación de Google Health Research en California descubrió que la inteligencia artificial computarizada puede interpretar imágenes de TC para ayudar a los médicos a diagnosticar el cáncer de pulmón temprano.
Autor| Chen Dunli

● Dificultades para diagnosticar el cáncer de pulmón temprano

El cáncer de pulmón es la división anormal y la proliferación de células pulmonares, traqueales o bronquiales para formar tumores malignos. A diferencia de los tumores benignos, los tumores malignos crecen sin restricciones e invaden y destruyen otros órganos del cuerpo a través de metástasis linfáticas, sanguíneas y de otro tipo. Incluso en caso de resección quirúrgica, pueden reaparecer.

Fumar es el factor de riesgo más grande para el cáncer de pulmón. Además, las personas con enfermedades relacionadas como tuberculosis, enfermedad pulmonar crónica, miembros de la familia que han sufrido de cáncer de pulmón, exposición a la contaminación del aire, humo de aceite, humo de segunda mano y asbesto, todos aumentan el riesgo de cáncer de pulmón. El cáncer de pulmón también se ha convertido en la principal causa de muerte por cáncer en muchos países en los últimos años. Más de 9.000 personas mueren de cáncer de pulmón en Taiwán cada año y 160.000 personas en los Estados Unidos mueren de cáncer de pulmón cada año.

La mejor manera de prevenir el cáncer de pulmón es el diagnóstico temprano. No solo puede prevenir la diseminación de las células cancerosas, sino también mejorar la calidad de vida y la tasa de supervivencia de los pacientes. Sin embargo, existen muchos problemas en la práctica. La dificultad en el diagnóstico precoz del cáncer de pulmón es que los síntomas no son obvios, cuando el cuerpo tiene anomalías, la mayoría de ellas son bastante graves en la etapa avanzada o las células cancerosas han hecho metástasis. Si los pacientes con cáncer de pulmón se diagnostican temprano y reciben tratamiento para la mejor tasa de supervivencia, la prueba de tomografía computarizada de dosis baja (LDCT) para el cáncer de pulmón es más efectiva que la radiografía de tórax tradicional más la prueba de esputo y puede reducir la enfermedad La tasa de mortalidad del cáncer de pulmón es del 20% al 43%, pero existen problemas como el alto costo, la alta dosis de exposición a la radiación de seguimiento a largo plazo, la precisión insuficiente y el sobrediagnóstico. Un equipo de investigación de Google Health Research en California descubrió que la inteligencia artificial computarizada puede interpretar imágenes de TC para ayudar a los médicos a diagnosticar el cáncer de pulmón temprano. Los resultados de las pruebas preliminares son muy buenos y la tasa de precisión es comparable a la de los radiólogos.

● El aprendizaje profundo por computadora ayuda en la detección del cáncer de pulmón

El equipo de investigación utilizó algoritmos de aprendizaje profundo por computadora para analizar más de 42,000 imágenes de TC de baja dosis en la base de datos electrónica del Northwestern University Hospital en Chicago.

El aprendizaje profundo por computadora se ha aplicado en muchos rincones de nuestras vidas, como teléfonos inteligentes, reconocimiento de voz de asistentes de vida y conducción automática de vehículos. El aprendizaje profundo es un tipo de aprendizaje automático por computadora. En particular, el concepto de diseño imita la estructura de red del sistema nervioso humano, lo que permite a las computadoras realizar cálculos complejos e integrar datos para emitir juicios como los humanos. La calidad del juicio depende del diseño de la red neuronal, el proceso de entrenamiento y la idoneidad de los datos de entrenamiento. Existen varios tipos de estructuras de redes neuronales para el aprendizaje profundo, cada una con sus propias áreas de especialización. Algunas son adecuadas para el tiempo de procesamiento y los datos semánticos, algunas ayudan a las computadoras a administrar el flujo de trabajo en curso y el reconocimiento de imágenes es una red neuronal convolucional (red neuronal convolucional). Network, CNN), bueno para procesar datos espaciales.

Con la ayuda del aprendizaje profundo, la inteligencia artificial se ha vuelto bastante poderosa y es muy eficaz en el reconocimiento de imágenes. En el tratamiento médico, la inteligencia artificial de Google ha estado ayudando a los patólogos a distinguir el cáncer de las imágenes microscópicas de cortes de tejido y a los oftalmólogos para diagnosticar la diabetes. Los pacientes ven enfermedades oculares, pero hay muchas limitaciones que deben superarse. El equipo de investigación enseñó a la computadora a reconocer los patrones característicos de diferentes imágenes, como tuberculosis, cáncer y fracturas. Este inteligente sistema de red neuronal operará y responderá de acuerdo con una serie de instrucciones. Luego, analizarán las imágenes tomográficas de muchos pacientes para la computadora. Hay dos tipos de imágenes: imágenes tomográficas computarizadas originales e imágenes tomográficas computarizadas tempranas. Estos pacientes son todos Se ha diagnosticado y algunos de ellos tienen cáncer de pulmón, no tienen cáncer de pulmón y el tumor original se ha deteriorado hasta convertirse en cáncer de pulmón. Las primeras imágenes de tomografía computarizada de los pulmones son muy útiles, ya que pueden mostrar si la tasa de crecimiento del tumor es anormal y juzgarlo como un tumor maligno. Una vez finalizada la formación, este sistema automático de evaluación de imágenes puede juzgar si el paciente tiene cáncer de pulmón a partir de las imágenes proporcionadas sin ayuda humana.

● Merece la pena esperar la detección del cáncer de pulmón mediante IA

El equipo de investigación comparó el sistema de evaluación automática computarizada con el diagnóstico de seis radiólogos, quienes tienen un mínimo de cuatro años de experiencia clínica y un máximo de 20 años. Los datos de la prueba incluyeron un total de 6716 imágenes de tomografía computarizada de pacientes con cáncer de pulmón confirmado, y se encontró que la precisión de este sistema de evaluación automática era tan alta como 94%. Si no hay una tomografía computarizada temprana, el sistema considera que la cantidad de falsos positivos para el cáncer de pulmón es un 11% menor que la de los radiólogos y la cantidad de falsos negativos se reduce en un 5%. Cuando hay una tomografía computarizada temprana, la precisión del sistema es tan buena como eso Igual de bueno. La razón por la que este sistema de red neuronal humana simulado es tan inteligente es que los radiólogos suelen ver cientos de imágenes de TC planas de los pulmones, mientras que el sistema de evaluación automática por computadora ve una gran cantidad de imágenes tomográficas tridimensionales, lo que requiere mucha computación. . Es más fácil detectar el cáncer de pulmón temprano a través de imágenes tridimensionales en computadoras que a través de imágenes planas. Con la adición de imágenes en dos puntos diferentes en el tiempo, ha alcanzado el nivel 4D. La tecnología informática de aprendizaje profundo hace que el diagnóstico del cáncer de pulmón temprano sea más preciso y también puede clasificar mejor las lesiones específicas.

Las computadoras no solo pueden diagnosticar a los pacientes con cáncer, sino también ayudar a las personas que no tienen cáncer a escapar de la costosa y arriesgada prueba invasiva para el cáncer de pulmón. Sin embargo, este sistema computarizado de evaluación automática del cáncer de pulmón aún se encuentra en la etapa de desarrollo y se necesitan ensayos clínicos a mayor escala para verificar sus efectos. Una vez que la futura I + D se aplique con éxito al tratamiento médico, se convertirá en una nueva fuerza en la prevención y el tratamiento del cáncer de pulmón.

Referencia

1. Ardila, D., Kiraly, AP, Bharadwaj, S. et al. Detección de cáncer de pulmón de extremo a extremo con aprendizaje profundo tridimensional en tomografía computarizada de tórax de dosis baja. Nature Medicine. 2019.

2. Zhou Bingyi. Hablando del principio y aplicación del Deep Learning. Boletín electrónico del Centro de redes informáticas y de información de la Universidad Nacional de Taiwán. 2016.


Esta web utiliza cookies propias y de terceros para su correcto funcionamiento y para fines analíticos y para fines de afiliación y para mostrarte publicidad relacionada con sus preferencias en base a un perfil elaborado a partir de tus hábitos de navegación. Al hacer clic en el botón Aceptar, acepta el uso de estas tecnologías y el procesamiento de sus datos para estos propósitos. Más información
Privacidad
Ir al contenido