El cáncer de mama es la principal causa de muerte relacionada con el cáncer entre las mujeres. También es difícil de diagnosticar. Casi uno de cada 10 cánceres se diagnostica erróneamente como no canceroso, lo que significa que una paciente puede perder un tiempo crítico de tratamiento. Por otro lado, elCuantas más mamografías se hace una mujer, es más probable que vea un resultado falso positivo. Después de 10 años de mamografías anuales, aproximadamente a dos de cada tres pacientes que no tienen cáncer se les informará que lo tienen y se les someterá a una intervención invasiva., probablemente una biopsia.
La elastografía por ultrasonido de mama es una técnica de imagen emergente que proporciona información sobre una posible lesión de mama mediante la evaluación de su rigidez de una manera no invasiva. Utilizando información más precisa sobre las características de una lesión de mama cancerosa versus no cancerosa, esta metodología ha demostradomás precisión en comparación con los modos tradicionales de obtención de imágenes.
En el meollo de este procedimiento, sin embargo, se encuentra un problema computacional complejo que puede llevar mucho tiempo y ser complicado de resolver. Pero, ¿y si en cambio confiamos en la guía de un algoritmo?
Assad Oberai, profesor Hughes de la Facultad de Ingeniería de Viterbi de la USC en el Departamento de Ingeniería Mecánica y Aeroespacial, hizo esta pregunta exacta en el artículo de investigación, "Eludir la solución de problemas inversos en mecánica a través del aprendizaje profundo: aplicación a las imágenes de elasticidad", publicadoen Métodos informáticos en mecánica e ingeniería aplicadas . Junto con un equipo de investigadores, incluido el estudiante de doctorado de USC Viterbi Dhruv Patel, Oberai consideró específicamente lo siguiente: ¿Se puede entrenar una máquina para interpretar imágenes del mundo real utilizando datos sintéticos y agilizar los pasos para el diagnóstico?Oberai dice que lo más probable es que sí.
En el caso de la elastografía por ultrasonido de mama, una vez que se toma una imagen del área afectada, la imagen se analiza para determinar los desplazamientos dentro del tejido. Con estos datos y las leyes físicas de la mecánica, la distribución espacial de las propiedades mecánicas, comose determina su rigidez. Después de esto, uno tiene que identificar y cuantificar las características apropiadas de la distribución, lo que en última instancia conduce a una clasificación del tumor como maligno o benigno. El problema es que los dos pasos finales son computacionalmente complejos e intrínsecamente desafiantes.
En la investigación, Oberai buscó determinar si podían omitir por completo los pasos más complicados de este flujo de trabajo.
El tejido mamario canceroso tiene dos propiedades clave: heterogeneidad, lo que significa que algunas áreas son suaves y otras firmes, y elasticidad no lineal, lo que significa que las fibras ofrecen mucha resistencia cuando se tira en lugar de la ceda inicial asociada con los tumores benignos.Sabiendo esto, Oberai creó modelos basados en la física que mostraban niveles variables de estas propiedades clave. Luego utilizó miles de entradas de datos derivados de estos modelos para entrenar el algoritmo de aprendizaje automático.
Datos sintéticos versus datos del mundo real
¿Pero por qué usaría datos derivados sintéticamente para entrenar el algoritmo? ¿No serían mejores los datos reales?
"Si tuvieras suficientes datos disponibles, no los tendrías", dijo Oberai. "Pero en el caso de las imágenes médicas, tienes suerte si tienes 1000 imágenes. En situaciones como esta, donde los datos son escasos, este tipo delas técnicas se vuelven importantes ".
Oberai y su equipo usaron alrededor de 12,000 imágenes sintéticas para entrenar su algoritmo de aprendizaje automático. Este proceso es similar en muchos aspectos a cómo funciona el software de identificación de fotografías, aprendiendo a través de entradas repetidas cómo reconocer a una persona en particular en una imagen, o cómo nuestro cerebroaprende a clasificar un gato frente a un perro. A través de suficientes ejemplos, el algoritmo es capaz de recopilar diferentes características inherentes a un tumor benigno frente a un tumor maligno y tomar la determinación correcta.
Oberai y su equipo lograron una precisión de clasificación de casi el 100 por ciento en otras imágenes sintéticas. Una vez que se entrenó el algoritmo, lo probaron en imágenes del mundo real para determinar qué tan preciso podría ser al proporcionar un diagnóstico, midiendo estos resultados contra los confirmados por biopsiadiagnósticos asociados con estas imágenes.
"Tuvimos una tasa de precisión de alrededor del 80 por ciento. A continuación, continuamos refinando el algoritmo utilizando más imágenes del mundo real como entradas", dijo Oberai.
Cambiar la forma en que se realizan los diagnósticos
Hay dos puntos predominantes que hacen que el aprendizaje automático sea una herramienta importante para avanzar en el panorama de la detección y el diagnóstico del cáncer. Primero, los algoritmos de aprendizaje automático pueden detectar patrones que pueden ser opacos para los humanos. Mediante la manipulación de muchos de esos patrones, el algoritmo puede producirun diagnóstico preciso. En segundo lugar, el aprendizaje automático ofrece la posibilidad de reducir los errores de operador a operador.
Entonces, ¿reemplazaría esto el papel de un radiólogo en la determinación del diagnóstico? Definitivamente no. Oberai no prevé un algoritmo que sirva como único árbitro del diagnóstico de cáncer, sino como una herramienta que ayude a guiar a los radiólogos a conclusiones más precisas ".El consenso general es que este tipo de algoritmos tienen un papel importante que desempeñar, incluso por parte de los profesionales de la imagen, a quienes afectará más. Sin embargo, estos algoritmos serán más útiles cuando no sirvan como cajas negras ", dijo Oberai." ¿Qué hizo?¿Ves que lo llevó a la conclusión final? El algoritmo debe ser explicable para que funcione según lo previsto ".
Adaptación del algoritmo para otros cánceres
Debido a que el cáncer causa diferentes tipos de cambios en el tejido que impacta, la presencia de cáncer en un tejido puede, en última instancia, conducir a un cambio en sus propiedades físicas, por ejemplo, un cambio en la densidad o porosidad. Estos cambios se pueden discernir como unseñal en imágenes médicas. La función del algoritmo de aprendizaje automático es seleccionar esta señal y usarla para determinar si un tejido determinado del que se toman imágenes es canceroso.
Utilizando estas ideas, Oberai y su equipo están trabajando con Vinay Duddalwar, profesor de radiología clínica en la Escuela de Medicina Keck de la USC, para diagnosticar mejor el cáncer renal mediante imágenes de TC con contraste. Utilizando los principios identificados en el entrenamiento del algoritmo de aprendizaje automáticopara el diagnóstico de cáncer de mama, buscan entrenar el algoritmo en otras características que podrían mostrarse de manera prominente en los casos de cáncer renal, como cambios en el tejido que reflejan cambios específicos del cáncer en la microvasculatura de un paciente, la red de microvasos que ayudan a distribuir la sangre dentrotejidos.
Fuente de la historia :
Materiales proporcionado por Universidad del Sur de California . Original escrito por Avni Shah. Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :