El software de aprendizaje profundo de Google tuvo un 99% de aciertos al detectar el cáncer de mama
El software de aprendizaje profundo de Google tuvo un 99% de aciertos al detectar en cáncer de mama en las muestras de patología y redujo el tiempo promedio de revisión de cada muestra.
Los investigadores de Google han desarrollado una herramienta de aprendizaje profundo que puede identificar el cáncer de mama metastatizado con una precisión del 99 por ciento y podría reducir el tiempo que tardan los médicos en revisar las muestras de patología.
Una detección precisa es esencial
Detectar el cáncer que se diseminó desde el sitio primario hasta los ganglios linfáticos cercanos es un proceso laborioso, especialmente en el caso del cáncer de mama. Para esta afección, la metástasis nodal influye en las decisiones asociadas con la quimioterapia y la radiación, lo que hace que la detección precisa y oportuna sea esencial.
Las limitaciones actuales
Sin embargo, los patólogos humanos a menudo luchan para identificar correctamente la propagación de la enfermedad. Los investigadores citaron estudios previos que muestran que una de cada cuatro clasificaciones de ganglios linfáticos metastásicos cambiaría en una segunda revisión patológica y que la detección sensible de metástasis pequeñas en portaobjetos individuales puede ser tan baja como el 38%.
La nueva herramienta de Google
Para mejorar la precisión de los diagnósticos los desarrolladores de Google crearon una herramienta de aprendizaje profundo a la que llamaron LYmph Node Assistant (LYNA). El grupo probó la herramienta en dos estudios separados para asegurar que el algoritmo mejoraría los flujos de trabajo y la precisión del diagnóstico de los patólogos.
El software de aprendizaje profundo de Google tuvo un 99% de aciertos al detectar el cáncer de mama
En el primer estudio, el equipo aplicó LYNA para anular la identificación de muestras de patología de dos conjuntos de datos diferentes. Los investigadores descubrieron que con ambos conjuntos de datos, la herramienta pudo distinguir correctamente una diapositiva con cáncer metastásico de una diapositiva sin cáncer el 99 por ciento de las veces.
Además, LYNA pudo determinar con precisión la ubicación de ambos tipos de cáncer y otras regiones sospechosas dentro de cada muestra, algunas de las cuales eran demasiado pequeñas para que los patólogos pudieran identificarlas.
En el segundo estudio, los investigadores realizaron una tarea diagnóstica simulada en la que revisaron los ganglios linfáticos para detectar cáncer metastásico con y sin la asistencia de LYNA.
Al detectar pequeñas metástasis, el equipo informó que el uso de LYNA hizo que la tarea compleja sea objetivamente más fácil y redujo a la mitad el tiempo promedio de revisión, lo que requiere un minuto en lugar de dos minutos por muestra.
Las implicaciones para el futuro
«Esto sugiere el potencial de que las tecnologías de asistencia, como LYNA, reduzcan la carga de las tareas de identificación repetitivas y permitan a los patólogos dedicar más tiempo y energía a centrarse en otras tareas clínicas y de diagnóstico más desafiantes», dijo Martin Stumpe, Director Técnico de Healthcare de Google Al.
Esta investigación se basa en un estudio anterior de Google, en el que los desarrolladores utilizaron el aprendizaje profundo y los datos de la Historia Clínica Electrónica para predecir la mortalidad y los reingresos hospitalarios. La herramienta de aprendizaje profundo superó a los modelos de predicción tradicionales en velocidad y precisión.
Una nueva herramienta para la detección del cáncer
Con esta nueva empresa, Google también espera ampliar el uso del aprendizaje profundo en la atención del cáncer.
El equipo reconoció que su estudio tenía algunas limitaciones, a saber, tamaños de conjuntos de datos limitados y el uso de un flujo de trabajo de diagnóstico simulado. Será necesario seguir trabajando para evaluar el impacto de LYNA en los flujos de trabajo clínicos reales y en los resultados de los pacientes.
Aún así, a pesar de estas limitaciones, el equipo de investigación espera que las herramientas desarrolladas en el futuro mejoren la precisión del diagnóstico en la atención médica.
«Seguimos siendo optimistas de que las tecnologías de aprendizaje profundo cuidadosamente validadas y las herramientas clínicas bien diseñadas pueden ayudar a mejorar tanto la precisión como la disponibilidad del diagnóstico patológico en todo el mundo», dijo Stumpe.
En un mundo cada vez más digitalizado no puedes quedar atrás de la tecnología. Es importante incorporar la Historia Clínica Electrónica y un software de gestión médica que te permita la interconexión con otros desarrollos tecnológicos.