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.

La aproximación del aprendizaje de máquina puede indicar riesgos para la salud en los embarazos futuros

Después de que un bebé nazca, los doctores examinan a veces la placenta--el órgano que conecta al molde-madre al bebé--para las características que indican riesgos para la salud en cualquier embarazo futuro.

Lamentablemente, éste es un proceso que toma tiempo que se debe realizar por un especialista, la mayoría de las placentas va tan no examinado después del nacimiento.

Las personas de investigadores de la universidad del Carnegie Mellon (CMU) y de la universidad de Pittsburgh que el centro médico (UPMC) denuncia el revelado de una aproximación del aprendizaje de máquina para examinar diapositivas de la placenta en el gorrón americano de la patología, publicado por Elsevier, así que a más mujeres pueden ser informadas de sus riesgos para la salud.

Se examinan las placentas de una razón son buscar un tipo de lesiones del vaso sanguíneo llamadas vasculopathy decidual (DV). Éstos indican que el molde-madre está en riesgo de preeclampsia--una complicación que puede ser fatal al molde-madre y al bebé--en cualquier embarazos futuros.

Una vez que está descubierto, el preeclampsia se puede tratar, tan allí es considerable ventaja de determinar a moldes-madre en peligro antes de que aparezcan los síntomas.

Sin embargo, aunque haya centenares de vasos sanguíneos en una única diapositiva, sólo un buque enfermo es necesario indicar riesgo.

Los patólogos entrenan por años para poder encontrar enfermedad en estas imágenes, pero hay tan muchos embarazos que pasan a través del sistema del hospital que no tienen tiempo para revisar cada placenta. Nuestros patólogos de las ayudas del algoritmo saben qué imágenes deben enfocar conectado explorando una imagen, localizando los vasos sanguíneos, y encontrando las configuraciones de los vasos sanguíneos que determinan DV.”

Daniel Clymer, doctorado, alumno, departamento de la ingeniería industrial, universidad del Carnegie Mellon

El aprendizaje de máquina trabaja “entrenando” a la computador para reconocer ciertas características en ficheros de datos. En este caso, el fichero de datos es una imagen de una rebanada fina de una muestra de la placenta. Los investigadores muestran a computador diversas imágenes e indican si la placenta es enferma o sana. Después del suficiente entrenamiento, la computador puede determinar lesiones enfermas en sus los propio.

Es muy difícil que una computador observar simple un retrato grande y lo clasifique, así que las personas introdujeron un nuevo enfoque con el cual la computador sigue una serie de pasos para hacer la tarea más manejable.

Primero, la computador descubre todos los vasos sanguíneos en una imagen. Cada vaso sanguíneo se puede entonces considerar individualmente, creando paquetes de datos más pequeños para el análisis. La computador después llegará hasta cada vaso sanguíneo y determinará si se juzga enferma o sana.

En esta etapa, el algoritmo también considera las características del embarazo, tales como edad gestacional, peso de nacimiento, y cualquier condiciones que el molde-madre pudiera tener.

Si hay algunos vasos sanguíneos enfermos, entonces el retrato--y por lo tanto la placenta--se marca como enfermo. Las personas de UPMC ofrecieron las imágenes de-determinadas de la placenta para entrenar al algoritmo.

“Este algoritmo no va a reemplazar a un patólogo en cualquier momento pronto,” el Dr. Clymer explicó. “La meta aquí es que este tipo de algoritmo pudo poder ayudar a acelerar el proceso por las regiones que señalaban por medio de una bandera de la imagen donde el patólogo debe tomar una mirada más atenta.”

“Esto es una colaboración hermosa entre la ingeniería y el remedio pues cada uno trae experiencia a la tabla que, cuando está combinada, crea las conclusión nuevas que pueden ayudar a tan muchos individuos,” los principales investigadores adicionales Jonatán Cagan, doctorado, y Philip LeDuc, doctorado, profesores de la ingeniería industrial en CMU, Pittsburgh, PA, los E.E.U.U.

“Pues la atención sanitaria abraza cada vez más el papel de la inteligencia artificial, es importante que los doctores partner a principios de con los informáticos y los ingenieros de modo que poder diseñar y desarrollar las herramientas de la derecha para que el trabajo afecte positivo resultados pacientes,” co-autor conocido Liron Pantanowitz, MBBCh, antes vicepresidencia para la informática de la patología en UPMC, Pittsburgh, PA, los E.E.U.U.

“Esta sociedad entre CMU y UPMC es un ejemplo perfecto de qué puede ser realizado cuando suceso éste.”

Source:
Journal reference:

Clymer, D., et al. (2020) Decidual Vasculopathy Identification in Whole Slide Images Using Multiresolution Hierarchical Convolutional Neural Networks. The American Journal of Pathology. doi.org/10.1016/j.ajpath.2020.06.014.