El nuevo método del aprendizaje de máquina predice si la hiperplasia ductal anormal gira cacerígeno

La hiperplasia ductal anormal (ADH) es una lesión del pecho asociada a un aumento quíntuplo cuatro en el riesgo de cáncer de pecho. El Manipulador Automático de Documentos se encuentra sobre todo usando mamografía y se determina en biopsia de la aguja de la base. A pesar de los pases múltiples de la lesión durante biopsia, solamente las porciones de las lesiones se muestrean. Otros factores variables influencian el muestreo y la exactitud tales que la presencia de cáncer se puede subestimar por 10-45%. Actualmente, el retiro quirúrgico se recomienda para todas las cajas del Manipulador Automático de Documentos encontradas en biopsias de la aguja de la base para determinar si la lesión es cacerígena. Cerca de 20-30% de cajas del Manipulador Automático de Documentos se aumenta al cáncer después de la supresión quirúrgica. Sin embargo, esto significa que 70-80% de mujeres experimenta un procedimiento quirúrgico costoso e invasor para una lesión benigna (pero de alto riesgo).

Un equipo de investigación de Dartmouth llevado por Saeed Hassanpour, doctorado, encontró un método del aprendizaje de máquina para predecir mejora del Manipulador Automático de Documentos al cáncer. Tener esta información puede potencialmente ayudar a clínicos y a pacientes poco arriesgados a decidir a si la vigilancia activa y la terapia hormonal es una opción razonable a la supresión quirúrgica. La evaluación del modelo mostró que la aproximación del aprendizaje de la máquina de las personas puede determinar el 98% de todos los casos malos antes de cirugía mientras que se pasa sin de la cirugía el 16% de las mujeres que habrían experimentado de otra manera una operación innecesaria para una lesión benigna. Sus resultados, predicción de las mejoras ductales anormales de la hiperplasia con una aproximación del aprendizaje de máquina para reducir supresiones quirúrgicas innecesarias se han publicado recientemente en informática clínica del cáncer de JCO.

“Nuestros resultados sugieren haya diferencias clínicas robustas entre las mujeres en el ciclón comparado con de alto riesgo para la mejora del Manipulador Automático de Documentos al cáncer basado en los datos de la biopsia de la aguja de la base que permitieron que nuestro modelo del aprendizaje de máquina predijera seguro mejoras de la malignidad en nuestro grupo de datos,” diga Hassanpour. “Este estudio también determinó las variables clínicas importantes implicadas en riesgo de la mejora del Manipulador Automático de Documentos.”

Usando la supresión quirúrgica eliminar malignidad no está sin daño mientras que 70-80% de mujeres experimenta la supresión quirúrgica invasor para las lesiones benignas del Manipulador Automático de Documentos. “Nuestro modelo puede potencialmente ayudar a pacientes y los clínicos elegir una aproximación alternativa de la administración en casos poco arriesgados,” dice Hassanpour. “En la era de remedio personalizado, tales modelos pueden ser deseables para los pacientes que valoran una aproximación compartida de la toma de decisión con la capacidad de elegir entre la supresión quirúrgica para la certeza comparado con vigilancia evitar costo, la tensión, y efectos secundarios potenciales en mujeres en poco arriesgado para la mejora del Manipulador Automático de Documentos al cáncer.”

Las personas pronto proyectan desplegar la extensión de su modelo incluyendo otras lesiones de alto riesgo del pecho tales como neoplasia lobulada, papilomas, y cicatrices de la parte radial. También proyectan en más lejos validar su aproximación en grupos de datos externos grandes usando estado y registros nacionales del cáncer de pecho, y la colaboración con otros centros médicos.

Saeed Hassanpour, doctorado, es profesor adjunto de la ciencia biomédica de los datos, profesor adjunto de la epidemiología, y profesor adjunto de informática en los departamentos de la ciencia y de la epidemiología biomédicas de los datos en la Facultad de Medicina de Geisel de Dartmouth, y la pieza del programa de investigación de la ciencia de la población del cáncer en el centro del cáncer del algodón de Norris de Dartmouth. Sus intereses de la investigación incluyen la informática biomédica, el aprendizaje de máquina, y el remedio personalizado.

Fuente: https://www.dartmouth-hitchcock.org/