<\/span><\/h2>\nLos algoritmos inform\u00e1ticos de aprendizaje profundo se basan en redes neuronales convolucionales. Las redes neuronales se basan en un modelo computacional inspirado en el funcionamiento del cerebro biol\u00f3gico. Una gran cantidad de nodos conectados llamados artificiales neuronas<\/span> son similares a las neuronas biol\u00f3gicas en el cerebro. Estos sistemas aprenden las caracter\u00edsticas de un objeto mediante la evaluaci\u00f3n de datos etiquetados manualmente, como “perro” o “no perro”. Las caracter\u00edsticas aprendidas se pueden usar para inferir la naturaleza de una nueva imagen.<\/p>\nLas im\u00e1genes se usan ampliamente para diagnosticar lesiones y enfermedades y en estudios de anatom\u00eda y fisiolog\u00eda humana. Las t\u00e9cnicas avanzadas de imagen m\u00e9dica incluyen imagen de resonancia magn\u00e9tica<\/span> (Resonancia magn\u00e9tica<\/span>), absorciometr\u00eda dual de rayos X, ultrasonograf\u00eda<\/span>y tomograf\u00eda computarizada<\/span> (Connecticut<\/span>) [4\u201310].<\/p>\nEn im\u00e1genes m\u00e9dicas, las redes neuronales convolucionales se utilizan para determinar “anormal” o “normal”. Se entrenan en grandes bases de datos etiquetadas de im\u00e1genes m\u00e9dicas y coinciden o superan la visi\u00f3n humana para la detecci\u00f3n de objetos en las im\u00e1genes en \u00e1reas tales como:<\/p>\n
\n- Pecho c\u00e1ncer<\/span>\n<\/li>\n
- Cerebro tumor<\/span>\n<\/li>\n
- C\u00e1ncer de piel<\/li>\n
- enfermedad de Alzheimer [11,12].<\/li>\n<\/ul>\n
Estos algoritmos inform\u00e1ticos ser\u00e1n escalables a m\u00faltiples dispositivos, plataformas y sistemas operativos, reduciendo su costo y aumentando su disponibilidad para el diagn\u00f3stico y la investigaci\u00f3n. Las universidades, los gobiernos y las agencias de financiaci\u00f3n de la investigaci\u00f3n han reconocido las oportunidades para mejorar el diagn\u00f3stico temprano de enfermedades, como el c\u00e1ncer, las enfermedades card\u00edacas, la diabetes y la demencia, y est\u00e1n invirtiendo fuertemente en el sector.<\/p>\n
Las t\u00e9cnicas de IA aprobadas por la Administraci\u00f3n de Drogas y Alimentos de los Estados Unidos (FDA) para uso cl\u00ednico en septiembre de 2018 incluyen productos para:<\/p>\n
\n- Identificar signos de retinopat\u00eda diab\u00e9tica en im\u00e1genes retinianas.<\/li>\n
- Reconocer signos de accidente cerebrovascular en tomograf\u00edas computarizadas<\/li>\n
- Visualiza el flujo sangu\u00edneo en el coraz\u00f3n<\/li>\n
- Detecta el c\u00e1ncer de piel a partir de im\u00e1genes cl\u00ednicas capturadas con una aplicaci\u00f3n m\u00f3vil.<\/li>\n<\/ul>\n
\n
\n
\n
\n<\/div><\/div><\/div><\/div>\n
<\/span>\u00bfC\u00f3mo se usa la inteligencia artificial en el diagn\u00f3stico del c\u00e1ncer de piel?<\/span><\/h2>\nSeg\u00fan la Fundaci\u00f3n para el C\u00e1ncer de Piel de EE. UU., Cada a\u00f1o se diagnostica m\u00e1s c\u00e1ncer de piel en los EE. UU. Que todos los dem\u00e1s tipos de c\u00e1ncer combinados [13]. Los c\u00e1nceres de piel se clasifican com\u00fanmente como melanoma<\/span> o c\u00e1ncer de piel no melanoma (el queratinoc\u00edtico<\/span> c\u00e1nceres basal<\/span> celda carcinoma<\/span>y escamoso<\/span> carcinoma de c\u00e9lulas). Los c\u00e1nceres de piel pueden ser dif\u00edciles de distinguir de los comunes. benigno<\/span> lesiones cut\u00e1neas, y la aparici\u00f3n de melanoma es especialmente variable. Esto significa que:<\/p>\n\n- Los c\u00e1nceres de piel pueden pasarse por alto porque se cree que son inofensivos<\/li>\n
- Un gran n\u00famero de lesiones inofensivas se extirpan quir\u00fargicamente innecesariamente para no perderse un c\u00e1ncer potencialmente peligroso.<\/li>\n<\/ul>\n
Los dermat\u00f3logos examinan las lesiones cut\u00e1neas mediante inspecci\u00f3n visual y dermatoscopia. Utilizan su experiencia en el reconocimiento de patrones para determinar qu\u00e9 lesiones cut\u00e1neas deben extirparse para diagn\u00f3stico o tratamiento. En los \u00faltimos a\u00f1os, ha habido un gran inter\u00e9s en usar algoritmos de IA para ayudar lesi\u00f3n<\/span> diagn\u00f3stico. Hay una serie de conjuntos de datos de lesiones cut\u00e1neas que est\u00e1n disponibles p\u00fablicamente para ayudar a la investigaci\u00f3n de IA.<\/p>\nInvestigadores de la Universidad de Stanford realizaron un dermat\u00f3logo<\/span>de alto nivel de c\u00e1nceres de piel con un algoritmo de aprendizaje profundo en un conjunto de datos de 129,450 im\u00e1genes cl\u00ednicas que incluyeron 2,032 enfermedades de la piel [14]. Tambi\u00e9n probaron su algoritmo contra 21 dermat\u00f3logos certificados por la junta y descubrieron que el rendimiento del algoritmo en la clasificaci\u00f3n estaba a la par con sus expertos.<\/p>\nLa International Skin Imaging Collaboration (ISIC) ofrece un amplio conjunto de datos p\u00fablicos que en septiembre de 2018 ten\u00eda 23,906 im\u00e1genes digitales dermatosc\u00f3picas de m\u00e1s de 18 tipos de lesiones cut\u00e1neas. Desde 2016, ISIC tambi\u00e9n ha llevado a cabo un desaf\u00edo anual de ‘An\u00e1lisis de lesiones cut\u00e1neas para la detecci\u00f3n de melanoma’. El ganador de su desaf\u00edo en 2017 logr\u00f3 m\u00e1s del 98% de precisi\u00f3n al distinguir melanomas<\/span> de lunares benignos [15]. ISIC luego incluy\u00f3 m\u00e1s categor\u00edas de lesiones cut\u00e1neas en el desaf\u00edo de 2018, como el carcinoma de c\u00e9lulas basales y act\u00ednico queratosis<\/span><\/span>. Podemos esperar una mayor precisi\u00f3n y m\u00e1s categor\u00edas de lesiones cut\u00e1neas que se agregar\u00e1n a la competencia cada a\u00f1o.<\/p>\n<\/span>Algoritmos de aprendizaje autom\u00e1tico para lesiones cut\u00e1neas.<\/span><\/h2>\nPara crear un nuevo algoritmo de c\u00e1ncer de piel con aprendizaje autom\u00e1tico, a cada tipo de lesi\u00f3n cut\u00e1nea se le asigna una clase. En su forma m\u00e1s simple, puede haber solo dos clases; por ejemplo, “benigno” y “maligno<\/span>\u2019O\u2018nevo<\/span>“Y” melanoma “. Algoritmos m\u00e1s sofisticados pueden evaluar m\u00faltiples clases.<\/p>\nAntes de probar un algoritmo usando una nueva imagen, los algoritmos de aprendizaje profundo se entrenan en una gran cantidad de im\u00e1genes en cada clase. El proceso implica tres etapas principales (figura 1).<\/p>\n
<\/span>Nivel 1<\/span><\/h3>\nEn la etapa 1, el algoritmo se alimenta con digital macrosc\u00f3pico<\/span> o im\u00e1genes dermatosc\u00f3picas etiquetadas con la “verdad fundamental”. (La verdad fundamental en este contexto es el diagn\u00f3stico de la lesi\u00f3n, que es asignado por un dermat\u00f3logo experto o es el resultado de histopatol\u00f3gico<\/span> examen.)<\/p>\n\n<\/span>Figura 1. Descripci\u00f3n general del entrenamiento de diferentes tipos de lesiones cut\u00e1neas con la ayuda del aprendizaje profundo<\/span><\/h5>\n<\/section>\n\n\n
\n
\n<\/div>\n
Descripci\u00f3n general del entrenamiento de diferentes tipos de lesiones cut\u00e1neas con la ayuda del aprendizaje profundo.<\/p>\n<\/p><\/div>\n<\/section>\n
<\/div>\n
<\/span>Etapa 2<\/span><\/h3>\nEn la etapa 2, las capas convolucionales (una serie de filtros aplicados a la entrada, como una imagen) extraen el mapa de caracter\u00edsticas de las im\u00e1genes. Un mapa de caracter\u00edsticas representa datos con m\u00faltiples niveles de abstracci\u00f3n.<\/p>\n
\n- Las capas convolucionales iniciales extraen entidades de bajo nivel como bordes, esquinas y formas.<\/li>\n
- Las capas convolucionales posteriores extraen caracter\u00edsticas de alto nivel para detectar el tipo de lesi\u00f3n cut\u00e1nea (figura 2).<\/li>\n<\/ul>\n\n
<\/span>Figura 2. Mapas de caracter\u00edsticas t\u00edpicas aprendidas usando redes neuronales convolucionales<\/span><\/h5>\n<\/section>\n\n\n
\n
\n<\/div>\n
Mapas de caracter\u00edsticas t\u00edpicas aprendidas usando redes neuronales convolucionales.<\/p>\n<\/p><\/div>\n<\/section>\n
<\/div>\n
<\/span>Etapa 3<\/span><\/h3>\nEn la etapa 3, el clasificador de aprendizaje autom\u00e1tico utiliza los mapas de caracter\u00edsticas para el reconocimiento de patrones de diferentes clases de lesiones cut\u00e1neas. El algoritmo de aprendizaje profundo ahora se puede utilizar para clasificar una nueva imagen (figura 3).<\/p>\n\n<\/span>Figura 3. Inferencia producida por algoritmos de aprendizaje profundo en una nueva imagen de una lesi\u00f3n cut\u00e1nea<\/span><\/h5>\n<\/section>\n\n\n
\n
\n<\/div>\n
Inferencia producida por algoritmos de aprendizaje profundo en una nueva imagen de una lesi\u00f3n cut\u00e1nea.<\/p>\n<\/p><\/div>\n<\/section>\n
<\/div>\n
<\/span>Criterios ABCD<\/span><\/h2>\nLos criterios cl\u00ednicos de ABCD utilizados por no expertos para evaluar pigmentado<\/span> las lesiones de la piel son UNA<\/strong>simetr\u00eda, si<\/strong>irregularidad de orden, C<\/strong>nuestra variaci\u00f3n, y re<\/strong>di\u00e1metro superior a 6 mm (figura 4). Ver ABCDE de melanoma, que incluyen ‘E’ para mi<\/strong>volution.<\/p>\nR: La propiedad de asimetr\u00eda verifica si dos mitades de la lesi\u00f3n de la piel coinciden (o no) en t\u00e9rminos de color y forma. Las lesiones se dividen en dos mitades seg\u00fan el eje largo y se dividen nuevamente seg\u00fan el eje corto. Es probable que el melanoma tenga un asim\u00e9trico<\/span> apariencia.<\/p>\nB: La propiedad de borde define si los bordes de la lesi\u00f3n cut\u00e1nea son suaves y est\u00e1n bien definidos o no. Los c\u00e1nceres de piel tienden a tener bordes irregulares.<\/p>\n
C: la propiedad de color eval\u00faa el n\u00famero y la variabilidad de los colores en toda la lesi\u00f3n de la piel. El melanoma y el carcinoma basocelular pigmentado a menudo incluyen tonos de 3 a 6 colores (negro, tostado, marr\u00f3n oscuro, gris, azul, rojo y blanco), mientras que naevi<\/span> y las pecas tienden a tener solo uno o dos colores, que est\u00e1n distribuidos sim\u00e9tricamente.<\/p>\nD: la propiedad de di\u00e1metro mide el di\u00e1metro aproximado de la lesi\u00f3n cut\u00e1nea. El di\u00e1metro de las lesiones cut\u00e1neas malignas es generalmente mayor de 6 mm (el tama\u00f1o de un borrador de l\u00e1piz).<\/p>\n\n<\/span>Figura 4. La regla ABCD para el c\u00e1ncer de piel.<\/span><\/h5>\n<\/section>\n\n\n
\n
\n<\/div>\n
Regla cl\u00ednica ABCD del melanoma<\/p>\n<\/p><\/div>\n<\/section>\n
<\/div>\n
Yang y sus colegas propusieron adoptar la regla ABCD para el procesamiento de im\u00e1genes y algoritmos de aprendizaje autom\u00e1tico [16]. En su trabajo, compararon el rendimiento de su sistema con los m\u00e9dicos (general, junior y experto) y algoritmos de aprendizaje profundo para el diagn\u00f3stico del conjunto de datos de prueba de lesiones cut\u00e1neas (tabla 1). Invitaron a dos m\u00e9dicos de cada categor\u00eda para realizar esta tarea.<\/p>\n
Entrenaron su sistema en su conjunto de datos SD-198 de enfermedad de la piel de 6,584 im\u00e1genes cl\u00ednicas de 198 categor\u00edas diferentes de lesiones, y extrajeron caracter\u00edsticas de bajo nivel de tres componentes visuales: textura, colores y bordes. El sistema de dispositivo asistido por computadora (CAD) de Yang funcion\u00f3 mejor que el algoritmo de aprendizaje profundo VGG-Net y ResNet y fue comparable con el desempe\u00f1o de los m\u00e9dicos junior. Sin embargo, los dermat\u00f3logos expertos fueron significativamente superior<\/span> al sistema CAD.<\/p>\n\n\nEvaluaci\u00f3n de desempe\u00f1o de m\u00e9todos computarizados y m\u00e9dicos en un conjunto de prueba de 3,292 im\u00e1genes<\/caption>\n<\/tbody>\n\n\n| M\u00e9todos<\/th>\n | Exactitud<\/th>\n | Error est\u00e1ndar<\/th>\n<\/tr>\n |
\n| Sistema CAD de Yang<\/td>\n | 56,47<\/td>\n | 53,15<\/td>\n<\/tr>\n |
\n| Expertos m\u00e9dicos<\/td>\n | M\u00e9dicos generales (n = 2)<\/td>\n | 49,00<\/td>\n | 47,50<\/td>\n<\/tr>\n |
\n| Doctores junior (n = 2)<\/td>\n | 52,00<\/td>\n | 53,40<\/td>\n<\/tr>\n |
\n| Dermat\u00f3logos expertos (n = 2)<\/td>\n | 83,29<\/td>\n | 85,00<\/td>\n<\/tr>\n |
\n| Aprendizaje profundo<\/td>\n | VGGNet<\/td>\n | 50,27<\/td>\n | 48.25<\/td>\n<\/tr>\n |
\n| ResNet<\/td>\n | 53,35<\/td>\n | 51.25<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n\n \n \n \n<\/div><\/div><\/div><\/div>\n <\/span>Otra investigaci\u00f3n de aprendizaje autom\u00e1tico sobre c\u00e1ncer de piel<\/span><\/h2>\nIBM tambi\u00e9n est\u00e1 trabajando en una herramienta de IA llamada Watson para analizar im\u00e1genes de lesiones cut\u00e1neas para la detecci\u00f3n de melanoma. Su dispositivo utiliza seis puntos clave para analizar y determinar la probabilidad de melanoma: color, irregularidad del borde, nivel de asimetr\u00eda, gl\u00f3bulo y red, similitud con las im\u00e1genes de lesiones cut\u00e1neas en su base de datos y puntaje de melanoma; estos criterios son similares a los criterios ABCD [17].<\/p>\n MetaOptima Technology Inc. ha lanzado su plataforma DermEngine para proporcionar un servicio de teledermatolog\u00eda. Su herramienta de b\u00fasqueda visual compara una imagen enviada por el usuario con im\u00e1genes similares en una base de datos de miles de patolog\u00eda<\/span>im\u00e1genes etiquetadas de expertos dermat\u00f3logos de todo el mundo. Las t\u00e9cnicas de aprendizaje profundo se utilizan para buscar im\u00e1genes relacionadas basadas en caracter\u00edsticas visuales como el color, la forma y el patr\u00f3n. [18].<\/p>\n<\/span>\u00bfCu\u00e1l es el futuro de la inteligencia artificial y el diagn\u00f3stico del c\u00e1ncer de piel?<\/span><\/h2>\nLa investigaci\u00f3n con IA est\u00e1 haciendo progresos alentadores en el diagn\u00f3stico de lesiones cut\u00e1neas. Sin embargo, la IA no va a reemplazar a los expertos m\u00e9dicos en breve. En primer lugar, se necesita un humano para seleccionar la lesi\u00f3n apropiada para la evaluaci\u00f3n, a menudo entre cientos de lesiones sin importancia.<\/p>\n El diagn\u00f3stico m\u00e9dico se basa en tomar un historial m\u00e9dico cuidadoso y leer detenidamente los registros del paciente. Tiene en cuenta la etnia del paciente, la piel, cabello<\/span> y color de ojos, ocupaci\u00f3n, enfermedad, medicamentos, da\u00f1o solar existente, el n\u00famero de melanoc\u00edtico<\/span> nevos y h\u00e1bitos de estilo de vida (como exposici\u00f3n al sol, tabaquismo y consumo de alcohol). El comportamiento y el tratamiento previo de la lesi\u00f3n tambi\u00e9n son pistas para el diagn\u00f3stico.<\/p>\nLa IA puede ofrecer una segunda opini\u00f3n y puede usarse para detectar una lesi\u00f3n completamente benigna, como un nevo melanoc\u00edtico que es sim\u00e9trico<\/span> en color y estructura.<\/p>\nEstos algoritmos evolucionar\u00e1n inevitablemente con una precisi\u00f3n mejorada en la detecci\u00f3n de lesiones cut\u00e1neas potencialmente malignas, a medida que las bases de datos se expanden para incluir m\u00e1s im\u00e1genes y m\u00e1s etiquetas espec\u00edficas de pacientes y lesiones.<\/p>\n<\/section>\n","protected":false},"excerpt":{"rendered":" \u00bfQu\u00e9 es la inteligencia artificial? La inteligencia artificial (IA) emplea sistemas inform\u00e1ticos para realizar tareas que normalmente requieren inteligencia humana, como el reconocimiento de voz y la percepci\u00f3n visual. La…<\/p>","protected":false},"author":8,"featured_media":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","format":"standard","meta":{"footnotes":""},"categories":[204],"tags":[],"class_list":["post-7369","wiki","type-wiki","status-publish","format-standard","category-glosario-definiciones"],"_links":{"self":[{"href":"https:\/\/doctorhoogstra.com\/en\/wp-json\/wp\/v2\/wiki\/7369","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/doctorhoogstra.com\/en\/wp-json\/wp\/v2\/wiki"}],"about":[{"href":"https:\/\/doctorhoogstra.com\/en\/wp-json\/wp\/v2\/types\/wiki"}],"author":[{"embeddable":true,"href":"https:\/\/doctorhoogstra.com\/en\/wp-json\/wp\/v2\/users\/8"}],"replies":[{"embeddable":true,"href":"https:\/\/doctorhoogstra.com\/en\/wp-json\/wp\/v2\/comments?post=7369"}],"version-history":[{"count":0,"href":"https:\/\/doctorhoogstra.com\/en\/wp-json\/wp\/v2\/wiki\/7369\/revisions"}],"wp:attachment":[{"href":"https:\/\/doctorhoogstra.com\/en\/wp-json\/wp\/v2\/media?parent=7369"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/doctorhoogstra.com\/en\/wp-json\/wp\/v2\/categories?post=7369"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/doctorhoogstra.com\/en\/wp-json\/wp\/v2\/tags?post=7369"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}} |