Algoritmo de aprendizaje profundo detecta lesiones pigmentadas para el diagnóstico de melanoma

Investigadores dermatológicos y especialistas en ingeniería e Inteligencia Artificial (IA), desarrollaron un algoritmo a través de una red neuronal convolucional para examinar lesiones en la piel, a través de fotografías, incluso tomadas utilizando un teléfono móvil.

En Estados Unidos en 2019 más de 96 mil personas fueron diagnosticadas con melanoma, enfermedad que costó la vida de 7,230 personas. El proceso de identificación temprana de lesiones pigmentadas sospechosas (SPL, en inglés) es importante para reducir el costo del tratamiento hasta 20 veces. Sin embargo, la cantidad de herramientas eficientes para la detección de SPL, es limitada aún en un país como Estados Unidos. Es por ello que los investigadores desarrollaron este algoritmo para mejorar el diagnóstico.

Los resultados fueron publicados en Science Translational Medicine bajo el título: “Uso del aprendizaje profundo para la detección a nivel dermatológico de lesiones cutáneas pigmentadas sospechosas a partir de imágenes de campo amplio”.

Investigadores del MIT, Harvard y otras instituciones construyeron un algoritmo basado en aprendizaje profundo para evaluar lesiones en la piel y clasificándolas para descartar enfermedades como cáncer de piel. “En lugar de evaluar una sola lesión a la vez en busca de signos predeterminados de neoplasia, el algoritmo identifica las lesiones que difieren de la mayoría de las otras marcas en la piel de ese paciente, marcándolas para un examen más detallado y clasificándolas en orden de sospecha. El algoritmo funcionó de manera similar a los dermatólogos certificados por la junta y podría usarse potencialmente en las visitas de atención primaria para ayudar a los médicos a clasificar las lesiones sospechosas para el seguimiento”.

El funcionamiento del algoritmo está basado en redes neuronales profundas y enrevesadas DCNNs (por sus siglas en inglés), que a través del análisis de fotografías de amplio campo es posible obtener muestras grandes de secciones de la piel para el diagnóstico de enfermedades antes de que se desarrollen.

Para el estudio fueron recopilados 38,283 datos dermatológicos de 133 pacientes y otras imágenes disponibles públicamente. “Nuestro sistema logró más del 90,3% de sensibilidad (intervalo de confianza del 95%, 90 a 90,6) y 89,9% de especificidad (89,6 a 90,2%) en la distinción de SPL de lesiones no sospechosas, piel y fondos complejos, evitando la necesidad de imágenes de lesiones individuales engorrosas”, explica el estudio.

Investigadores del MIT contactaron en 2014 al médico español, Dr. José Avilés Izquierdo, del Hospital General Universitario Gregorio Mañón de Madrid, -quien es uno de los coautores del estudio publicado en la revista Science, – para el desarrollo de un proyecto de aprendizaje automático (o machine learning), para la detección de melanomas malignos. Según el Dr. Avilés Izquierdo, el propósito del estudio era “desarrollar un algoritmo que sirviera como plataforma de evaluación para distintas herramientas físicas e informáticas dirigidas al diagnóstico precoz del cáncer de piel, especialmente del melanoma.

El Dr. Avilés Izquierdo, contó su experiencia en el sitio especializado Medscape: “Los investigadores del Massachusetts Institute of Technology desarrollaron un sistema de análisis de imágenes de lesiones pigmentadas sospechosas basado en 399 variables relacionadas con simetría, bordes, colores, textura o tamaño. Para ello analizaron 38,283 provenientes de pacientes y de recursos públicos (bancos de imágenes, atlas y buscadores)”.

Puedes encontrar enlace del estudio en el siguiente enlace: https://stm.sciencemag.org/content/13/581/eabb3652

Últimos tweets

Eventos más importantes en Salud Digital

2021 abril

Semana 1

lun 29
mar 30
mié 31
jue 1
vie 2
sáb 3
dom 4
lun 5
mar 6
mié 7
jue 8
vie 9
sáb 10
dom 11
lun 12
mar 13
mié 14
jue 15
vie 16
sáb 17
dom 18
lun 19
mar 20
mié 21
jue 22
vie 23
sáb 24
dom 25
lun 26
mar 27
mié 28
jue 29
vie 30
sáb 1
dom 2

Comparte el contenido

Share on facebook
Share on twitter
Share on email
Share on whatsapp
Share on linkedin
Scroll Up

UNICEF

Comparte en:

Share on facebook
Share on twitter
Share on linkedin