{"id":47540,"date":"2024-07-16T09:12:00","date_gmt":"2024-07-16T15:12:00","guid":{"rendered":"https:\/\/saluddigital.com\/?p=47540"},"modified":"2025-10-18T15:31:10","modified_gmt":"2025-10-18T21:31:10","slug":"algoritmo-de-ia-ayuda-en-diagnostico-y-prediccion-de-gravedad-de-cancer-de-pulmon","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/algoritmo-de-ia-ayuda-en-diagnostico-y-prediccion-de-gravedad-de-cancer-de-pulmon\/","title":{"rendered":"Algoritmo de IA ayuda en diagn\u00f3stico y predicci\u00f3n de gravedad de c\u00e1ncer de pulm\u00f3n"},"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

Un nuevo algoritmo desarrollado por cient\u00edficos de NYU Langone es capaz de diagnosticar con precisi\u00f3n casos de c\u00e1ncer de pulm\u00f3n. <\/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

Una herramienta inform\u00e1tica potenciada por inteligencia artificial (IA) y basada en im\u00e1genes de tejidos puede diagnosticar con precisi\u00f3n casos de adenocarcinoma, la forma m\u00e1s com\u00fan de c\u00e1ncer de pulm\u00f3n, seg\u00fan un estudio publicado recientemente en Nature Communications<\/em><\/a>.<\/p>

Investigadores del Centro Oncol\u00f3gico de la Universidad de Nueva York Langone (NYU Langone) y de la Universidad de Glasgow desarrollaron este algoritmo que incorpor\u00f3 caracter\u00edsticas estructurales de tumores de 452 participantes con adenocarcinoma.<\/p>

Seg\u00fan los investigadores, el algoritmo de IA es independiente y autodidacta, es decir que determin\u00f3 por s\u00ed mismo qu\u00e9 caracter\u00edsticas estructurales eran estad\u00edsticamente m\u00e1s importantes para medir la gravedad de la enfermedad y que adem\u00e1s ten\u00edan mayor impacto en la recurrencia del tumor.<\/p>

Seg\u00fan el estudio, este algoritmo demostr\u00f3 distinguir con precisi\u00f3n entre c\u00e1nceres de pulm\u00f3n similares (adenocarcinoma y c\u00e1ncer de c\u00e9lulas escamosas) el 99% de las veces. Asimismo, obtuvo una precisi\u00f3n de 72% al predecir la probabilidad y el momento de la reaparici\u00f3n del c\u00e1ncer despu\u00e9s de la terapia, superando as\u00ed la precisi\u00f3n del 64% realizada por pat\u00f3logos.<\/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

\u201cNuestro nuevo programa de aprendizaje de fenotipos histomorfol\u00f3gicos tiene el potencial de ofrecer a los especialistas en c\u00e1ncer y a sus pacientes una herramienta de diagn\u00f3stico r\u00e1pida e imparcial para el adenocarcinoma de pulm\u00f3n que, una vez que se completen m\u00e1s pruebas, tambi\u00e9n se puede utilizar para ayudar a validar e incluso guiar sus decisiones de tratamiento\u201d, dijo el investigador principal del estudio, el Dr. Nicolas Coudray, programador de bioinform\u00e1tica en la Facultad de Medicina Grossman de la NYU y el Centro Oncol\u00f3gico.<\/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

Este modelo al ser autodidacta proporciona decisiones explicables y se basa \u00fanicamente en el conocimiento extra\u00eddo del tejido de cada paciente. Asimismo, el Dr. Aristotelis Tsirigos, profesor de patolog\u00eda y miembro del Centro Oncol\u00f3gico, detall\u00f3 que el algoritmo es capaz de analizar muestras de tejido pulmonar en cuesti\u00f3n de minutos y proporciona predicciones precisas sobre si el c\u00e1ncer volver\u00e1 a aparecer. Las predicciones realizadas por esta herramienta inform\u00e1tica superan a los est\u00e1ndares actuales de intenci\u00f3n en los pron\u00f3sticos de adenocarcinoma de pulm\u00f3n.<\/p>

Cabe destacar que, para entrenar este algoritmo, fue necesario escanear digitalmente 432,231 peque\u00f1os cuadrantes o mosaicos en las im\u00e1genes, fue as\u00ed como encontraron 46 caracter\u00edstica clave que denominan grupos de fenotipos histomorfol\u00f3gicos, tanto de tejido normal como de tejido enfermo.<\/p>

El objetivo final de este algoritmo es que pueda asignar a cada paciente una puntuaci\u00f3n entre 0 y 1 que refleje su probabilidad estad\u00edstica de supervivencia y de recurrencia del tumor durante un lapso m\u00e1ximo de cinco a\u00f1os.<\/p>

El siguiente paso del equipo de investigaci\u00f3n es desarrollar programas y algoritmos similares para otros tipos de c\u00e1ncer como de ovario, mama y colorrectal, que tienen similitudes en caracter\u00edsticas morfol\u00f3gicas distintivas. Asimismo, tambi\u00e9n planean la ampliaci\u00f3n y mejora de la precisi\u00f3n del programa actual.<\/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

NYU LANGONE<\/strong><\/p>

https:\/\/nyulangone.org\/news\/self-taught-ai-tool-helps-diagnose-predict-severity-common-lung-cancer<\/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":"

Un nuevo algoritmo desarrollado por cient\u00edficos de NYU Langone es capaz de diagnosticar con precisi\u00f3n casos de c\u00e1ncer de pulm\u00f3n. Una herramienta inform\u00e1tica potenciada por inteligencia artificial (IA) y basada en im\u00e1genes de tejidos puede diagnosticar con precisi\u00f3n casos de adenocarcinoma, la forma m\u00e1s com\u00fan de c\u00e1ncer de pulm\u00f3n, seg\u00fan un estudio publicado recientemente en Nature Communications. Investigadores del Centro Oncol\u00f3gico de la Universidad de Nueva York Langone (NYU Langone) y de la Universidad de Glasgow desarrollaron este algoritmo que incorpor\u00f3 caracter\u00edsticas estructurales de tumores de 452 participantes con adenocarcinoma. Seg\u00fan los investigadores, el algoritmo de IA es independiente y autodidacta, es decir que determin\u00f3 por s\u00ed mismo qu\u00e9 caracter\u00edsticas estructurales eran estad\u00edsticamente m\u00e1s importantes para medir la gravedad de la enfermedad y que adem\u00e1s ten\u00edan mayor impacto en la recurrencia del tumor. Seg\u00fan el estudio, este algoritmo demostr\u00f3 distinguir con precisi\u00f3n entre c\u00e1nceres de pulm\u00f3n similares (adenocarcinoma y c\u00e1ncer de c\u00e9lulas escamosas) el 99% de las veces. Asimismo, obtuvo una precisi\u00f3n de 72% al predecir la probabilidad y el momento de la reaparici\u00f3n del c\u00e1ncer despu\u00e9s de la terapia, superando as\u00ed la precisi\u00f3n del 64% realizada por pat\u00f3logos. \u201cNuestro nuevo programa de aprendizaje de fenotipos histomorfol\u00f3gicos tiene el potencial de ofrecer a los especialistas en c\u00e1ncer y a sus pacientes una herramienta de diagn\u00f3stico r\u00e1pida e imparcial para el adenocarcinoma de pulm\u00f3n que, una vez que se completen m\u00e1s pruebas, tambi\u00e9n se puede utilizar para ayudar a validar e incluso guiar sus decisiones de tratamiento\u201d, dijo el investigador principal del estudio, el Dr. Nicolas Coudray, programador de bioinform\u00e1tica en la Facultad de Medicina Grossman de la NYU y el Centro Oncol\u00f3gico. Este modelo al ser autodidacta proporciona decisiones explicables y se basa \u00fanicamente en el conocimiento extra\u00eddo del tejido de cada paciente. Asimismo, el Dr. Aristotelis Tsirigos, profesor de patolog\u00eda y miembro del Centro Oncol\u00f3gico, detall\u00f3 que el algoritmo es capaz de analizar muestras de tejido pulmonar en cuesti\u00f3n de minutos y proporciona predicciones precisas sobre si el c\u00e1ncer volver\u00e1 a aparecer. Las predicciones realizadas por esta herramienta inform\u00e1tica superan a los est\u00e1ndares actuales de intenci\u00f3n en los pron\u00f3sticos de adenocarcinoma de pulm\u00f3n. Cabe destacar que, para entrenar este algoritmo, fue necesario escanear digitalmente 432,231 peque\u00f1os cuadrantes o mosaicos en las im\u00e1genes, fue as\u00ed como encontraron 46 caracter\u00edstica clave que denominan grupos de fenotipos histomorfol\u00f3gicos, tanto de tejido normal como de tejido enfermo. El objetivo final de este algoritmo es que pueda asignar a cada paciente una puntuaci\u00f3n entre 0 y 1 que refleje su probabilidad estad\u00edstica de supervivencia y de recurrencia del tumor durante un lapso m\u00e1ximo de cinco a\u00f1os. El siguiente paso del equipo de investigaci\u00f3n es desarrollar programas y algoritmos similares para otros tipos de c\u00e1ncer como de ovario, mama y colorrectal, que tienen similitudes en caracter\u00edsticas morfol\u00f3gicas distintivas. Asimismo, tambi\u00e9n planean la ampliaci\u00f3n y mejora de la precisi\u00f3n del programa actual. BIBLIOGRAF\u00cdA NYU LANGONE https:\/\/nyulangone.org\/news\/self-taught-ai-tool-helps-diagnose-predict-severity-common-lung-cancer<\/p>","protected":false},"author":1,"featured_media":47542,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-47540","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\/47540","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=47540"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/47540\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/47542"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=47540"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=47540"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=47540"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}