{"id":46543,"date":"2024-06-18T09:19:35","date_gmt":"2024-06-18T15:19:35","guid":{"rendered":"https:\/\/saluddigital.com\/?p=46543"},"modified":"2025-10-18T15:48:32","modified_gmt":"2025-10-18T21:48:32","slug":"investigadores-crean-tumores-sinteticos-para-ayudar-a-ia-a-detectar-etapas-tempranas-de-cancer","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/investigadores-crean-tumores-sinteticos-para-ayudar-a-ia-a-detectar-etapas-tempranas-de-cancer\/","title":{"rendered":"Investigadores crean tumores sint\u00e9ticos para ayudar a IA a detectar etapas tempranas de c\u00e1ncer"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Investigadores de Johns Hopkins demostraron que un modelo de IA entrenado con datos de tumores artificiales funciona tan bien como modelos entrenados con datos reales.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

The datos sint\u00e9ticos<\/a> son una herramienta clave en la investigaci\u00f3n m\u00e9dica, especialmente cuando no existen datos reales suficientes para entrenar algoritmos de inteligencia artificial (IA) para la predicci\u00f3n de enfermedades como el c\u00e1ncer.\u00a0 Un equipo de investigadores de la Universidad Johns Hopkins, dise\u00f1\u00f3 un m\u00e9todo para generar conjuntos de datos de tumores hep\u00e1ticos artificiales, los cuales permiten entrenar modelos de inteligencia artificial (IA) y as\u00ed identificar con precisi\u00f3n tumores reales sin ayuda de especialistas humanos.<\/p>

Este m\u00e9todo podr\u00eda solucionar el problema de la escasez de datos de alta calidad, necesaria para entrenar algoritmos de IA. La falta de datos ocurre debido al dif\u00edcil proceso de identificaci\u00f3n de tumores en exploraciones m\u00e9dicas, ya que suelen depender de informes patol\u00f3gicos. Adem\u00e1s, para el entrenamiento de esta clase de modelos se necesitan grandes cantidades de datos, por lo que posiblemente los datos p\u00fablicos disponibles no sean suficientes para esta tarea.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

El equipo de Jonhs Hopkins y diversos radi\u00f3logos idearon estos m\u00e9todos de creaci\u00f3n de tumores sint\u00e9ticos realista en cuatro pasos. Primero, eligieron ubicaciones para los tumores artificiales que evitaran colisiones con los vasos sangu\u00edneos circundantes. Despu\u00e9s, patrones de \u201cruido\u201d de manera aleatoria para poder generar las texturas irregulares que se encuentran en los tumores reales y luego generaron formas que reflejaban los variados contornos de los tumores reales. Por \u00faltimo, simularon la tendencia de los tumores a ejercer presi\u00f3n sobre su entorno, cambiando su apariencia.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Seg\u00fan los investigadores, los tumores sint\u00e9ticos resultantes son hiperrealistas y pasaron el Test Visual de Turing, de tal manera que hasta profesionales m\u00e9dicos suelen tener dificultades para determinar que son sint\u00e9ticos o incluso confundirlos con tumores reales en un examen visual.<\/p>

Posteriormente, el equipo entren\u00f3 el modelo de IA utilizando solo estos tumores sint\u00e9ticos, obteniendo resultados prometedores. \u201cNuestro m\u00e9todo es apasionante porque, hasta la fecha, ning\u00fan trabajo existente que utilice \u00fanicamente tumores sint\u00e9ticos ha logrado un rendimiento similar o incluso comparable al de la IA entrenada en tumores reales\u201d, expres\u00f3 el miembro del equipo Qixin Hu, investigador de la Universidad de Ciencia y Tecnolog\u00eda de Huazhong. Adem\u00e1s, seg\u00fan explic\u00f3 Hu, el m\u00e9todo puede generar de manera autom\u00e1tica grandes cantidades de ejemplos de tumores sint\u00e9ticos con diferentes tama\u00f1os.<\/p>

Alan Yuille, quien dirigi\u00f3 al equipo, expres\u00f3 que este enfoque podr\u00eda utilizarse para generar conjuntos de datos y entrenar modelos para identificar c\u00e1ncer en otros \u00f3rganos que experimentan falta de datos de tumores. El equipo se encuentra trabajando en la investigaci\u00f3n de t\u00e9cnicas avanzadas de procesamiento de im\u00e1genes para generar tumores sint\u00e9ticos de h\u00edgado, panares y ri\u00f1ones.<\/p>

\u201cEl objetivo final de este proyecto es sintetizar todo tipo de anomal\u00edas (incluidos tumores) en el cuerpo humano para utilizarlas en el desarrollo de la IA, de modo que los radi\u00f3logos no tengan que perder su valioso tiempo realizando anotaciones manuales\u201d, afirm\u00f3 Hu.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t BIBLIOGRAPHY<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

JOHNS HOPKINS<\/strong><\/p>

https:\/\/hub.jhu.edu\/2024\/05\/30\/researchers-create-artificial-tumors-for-cancer-research\/<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

Investigadores de Johns Hopkins demostraron que un modelo de IA entrenado con datos de tumores artificiales funciona tan bien como modelos entrenados con datos reales. Los datos sint\u00e9ticos son una herramienta clave en la investigaci\u00f3n m\u00e9dica, especialmente cuando no existen datos reales suficientes para entrenar algoritmos de inteligencia artificial (IA) para la predicci\u00f3n de enfermedades como el c\u00e1ncer.\u00a0 Un equipo de investigadores de la Universidad Johns Hopkins, dise\u00f1\u00f3 un m\u00e9todo para generar conjuntos de datos de tumores hep\u00e1ticos artificiales, los cuales permiten entrenar modelos de inteligencia artificial (IA) y as\u00ed identificar con precisi\u00f3n tumores reales sin ayuda de especialistas humanos. Este m\u00e9todo podr\u00eda solucionar el problema de la escasez de datos de alta calidad, necesaria para entrenar algoritmos de IA. La falta de datos ocurre debido al dif\u00edcil proceso de identificaci\u00f3n de tumores en exploraciones m\u00e9dicas, ya que suelen depender de informes patol\u00f3gicos. Adem\u00e1s, para el entrenamiento de esta clase de modelos se necesitan grandes cantidades de datos, por lo que posiblemente los datos p\u00fablicos disponibles no sean suficientes para esta tarea. El equipo de Jonhs Hopkins y diversos radi\u00f3logos idearon estos m\u00e9todos de creaci\u00f3n de tumores sint\u00e9ticos realista en cuatro pasos. Primero, eligieron ubicaciones para los tumores artificiales que evitaran colisiones con los vasos sangu\u00edneos circundantes. Despu\u00e9s, patrones de \u201cruido\u201d de manera aleatoria para poder generar las texturas irregulares que se encuentran en los tumores reales y luego generaron formas que reflejaban los variados contornos de los tumores reales. Por \u00faltimo, simularon la tendencia de los tumores a ejercer presi\u00f3n sobre su entorno, cambiando su apariencia. Seg\u00fan los investigadores, los tumores sint\u00e9ticos resultantes son hiperrealistas y pasaron el Test Visual de Turing, de tal manera que hasta profesionales m\u00e9dicos suelen tener dificultades para determinar que son sint\u00e9ticos o incluso confundirlos con tumores reales en un examen visual. Posteriormente, el equipo entren\u00f3 el modelo de IA utilizando solo estos tumores sint\u00e9ticos, obteniendo resultados prometedores. \u201cNuestro m\u00e9todo es apasionante porque, hasta la fecha, ning\u00fan trabajo existente que utilice \u00fanicamente tumores sint\u00e9ticos ha logrado un rendimiento similar o incluso comparable al de la IA entrenada en tumores reales\u201d, expres\u00f3 el miembro del equipo Qixin Hu, investigador de la Universidad de Ciencia y Tecnolog\u00eda de Huazhong. Adem\u00e1s, seg\u00fan explic\u00f3 Hu, el m\u00e9todo puede generar de manera autom\u00e1tica grandes cantidades de ejemplos de tumores sint\u00e9ticos con diferentes tama\u00f1os. Alan Yuille, quien dirigi\u00f3 al equipo, expres\u00f3 que este enfoque podr\u00eda utilizarse para generar conjuntos de datos y entrenar modelos para identificar c\u00e1ncer en otros \u00f3rganos que experimentan falta de datos de tumores. El equipo se encuentra trabajando en la investigaci\u00f3n de t\u00e9cnicas avanzadas de procesamiento de im\u00e1genes para generar tumores sint\u00e9ticos de h\u00edgado, panares y ri\u00f1ones. \u201cEl objetivo final de este proyecto es sintetizar todo tipo de anomal\u00edas (incluidos tumores) en el cuerpo humano para utilizarlas en el desarrollo de la IA, de modo que los radi\u00f3logos no tengan que perder su valioso tiempo realizando anotaciones manuales\u201d, afirm\u00f3 Hu. BIBLIOGRAF\u00cdA JOHNS HOPKINS https:\/\/hub.jhu.edu\/2024\/05\/30\/researchers-create-artificial-tumors-for-cancer-research\/<\/p>","protected":false},"author":1,"featured_media":46545,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-46543","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/46543","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/comments?post=46543"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/46543\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/46545"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=46543"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=46543"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=46543"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}