Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

El AI determina las características previamente desconocidas relevantes al pronóstico del cáncer

La tecnología de inteligencia (AI) artificial desarrollada por el centro de RIKEN para el proyecto avanzado de la inteligencia (AIP) en Japón ha encontrado con éxito características en imágenes de la patología de enfermos de cáncer humanos, sin la anotación, que se podría entender por los doctores humanos. Además, el AI determinó las características relevantes al pronóstico del cáncer que no fueron observadas previamente por los patólogos, llevando a una exactitud más alta de la repetición del cáncer de próstata comparada a la diagnosis patólogo-basada. Combinar las predicciones hechas por el AI con predicciones de los patólogos humanos llevó a una exactitud incluso mayor.

Según Yoichiro Yamamoto, el primer autor del estudio publicó en comunicaciones de la naturaleza,

Esta tecnología podía contribuir al remedio personalizado haciendo la predicción altamente exacta de la repetición del cáncer posible detectando nuevo conocimiento de imágenes. Podría también contribuir a entender cómo el AI se puede utilizar con seguridad en remedio ayudando a resolver la aplicación el AI que es considerado mientras que una “caja negra. “”

El grupo de investigación llevado por Yamamoto y Go Kimura, en colaboración con varios hospitales de la universidad en Japón, adoptó una aproximación llamada “aprendizaje no supervisado.” Mientras los seres humanos enseñen al AI, no es posible detectar conocimiento más allá de qué se sabe actualmente. Bastante que siendo “enseñó” a conocimiento médico, el AI fue pedido aprender usando las redes neuronales profundas no supervisadas, conocidas como autoencoders, sin el donante de ningún conocimiento médico. Los investigadores desarrollaron un método para traducir las características encontradas por el AI--numera solamente inicialmente--en las imágenes de alta resolución que se pueden entender por los seres humanos.

Para realizar esta hazaña el grupo detectó 13.188 imágenes de diapositiva de la patología del entero-montaje de la próstata del hospital de la Facultad de Medicina de Nipón (NMSH), la cantidad de datos era enorme, equivalente a aproximadamente 86 mil millones remiendos de la imagen (sub-imágenes divididas para las redes neuronales profundas), y el cómputo fue realizado en el superordenador potente del RAIDEN del AIP.

El AI aprendió con imágenes de la patología sin la anotación diagnóstica a partir de 11 millones de remiendos de la imagen. Las características encontradas por el AI incluyeron las consideraciones diagnósticas del cáncer que se han utilizado por todo el mundo, en la muesca de Gleason, pero también ofrecen la participación del tejido conectador--tejidos conectivos que soportan un órgano--en áreas del no-cáncer que los expertos no eran conscientes de. Para evaluar éstos AI-encontró características, el grupo de investigación verificó el funcionamiento de la predicción de la repetición usando los casos restantes de NMSH (validación interna). El grupo encontró que las características descubiertas por el AI eran más exactas (AUC=0.820) que las predicciones hechas basado en las consideraciones humano-establecidas del cáncer desarrolladas por los patólogos, la muesca de Gleason (AUC=0.744). Además, combinando AI-encontró que las características y las consideraciones humano-establecidas predijeron la repetición más exacto que usando cualquier método solo (AUC=0.842). El grupo confirmó los resultados usando otro grupo de datos incluyendo 2.276 imágenes de la patología del entero-montaje (10 mil millones remiendos de la imagen) del hospital y del hospital de la universidad médica de Aichi (validación externa) de la universidad del St. Marianna.

“Era muy feliz,” dice Yamamoto, “para descubrir que el AI podía determinar el cáncer en sus los propio de imágenes unannotated de la patología. Me sorprendieron extremadamente ver que AI encontrar las características que se pueden utilizar para predecir la repetición que los patólogos no habían determinado.”

Él continúa, “nosotros ha mostrado que el AI puede detectar automáticamente conocimiento humano-comprensible de imágenes anotación-libres diagnósticas de la histopatología. Este conocimiento “recién nacido” podía ser útil para los pacientes permitiendo predicciones alto-exactas de la repetición del cáncer. Cuál es muy bonito es que encontramos eso el combinar las predicciones del AI con los de un patólogo aumentó la exactitud incluso más futura, mostrando que el AI se puede utilizar de común acuerdo con los doctores para perfeccionar asistencia médica. Además, el AI se puede utilizar como herramienta para descubrir características de las enfermedades que no se han observado hasta ahora, y puesto que no requiere conocimiento humano, podría ser utilizado en otros campos fuera del remedio.”

Source:
Journal reference:

Yamamoto, Y., et al. (2019) Automated acquisition of explainable knowledge from unannotated histopathology images. Nature Communications. doi.org/10.1038/s41467-019-13647-8.