Utilizamos cookies para comprender de qué manera utiliza nuestro sitio y para mejorar su experiencia. Esto incluye personalizar el contenido y la publicidad. Para más información, Haga clic. Si continua usando nuestro sitio, consideraremos que acepta que utilicemos cookies. Política de cookies.

Presenta Sitios para socios Información LinkXpress hp
Ingresar
Publique su anuncio con nosotros
LGC Clinical Diagnostics

Deascargar La Aplicación Móvil




Modelo de aprendizaje automático calcula éxito de quimioterapia en pacientes con cáncer de hueso

Por el equipo editorial de LabMedica en español
Actualizado el 17 Jan 2024
Print article
Imagen: Una imagen microscópica del osteosarcoma intramedular (Fotografía cortesía de Johns Hopkins Medicine)
Imagen: Una imagen microscópica del osteosarcoma intramedular (Fotografía cortesía de Johns Hopkins Medicine)

El cálculo del porcentaje de necrosis (PN), la proporción de un tumor considerado inactivo o "muerto" después de la quimioterapia, sirve como un predictor vital de los resultados de supervivencia en el osteosarcoma, un tipo de cáncer de huesos. Por ejemplo, una PN del 99 % significa que el 99 % del tumor está muerto, lo que indica la respuesta positiva del paciente a la quimioterapia y perspectivas de supervivencia potencialmente mejores. Los patólogos suelen evaluar la PN examinando, interpretando y marcando meticulosamente imágenes de portaobjetos completos (WSI), que son secciones transversales detalladas de muestras (como tejido óseo) preparadas para un examen microscópico. Sin embargo, este método tradicional no sólo requiere mucho tiempo y experiencia especializada, sino que también sufre una variabilidad significativa entre los observadores. Esto significa que dos patólogos podrían informar estimaciones de PN diferentes de la misma WSI. Ahora, un modelo de aprendizaje automático creado y entrenado para calcular el PN ha demostrado que su cálculo fue 85 % correcto en comparación con los resultados de un patólogo musculoesquelético, y la precisión mejoró al 99 % al excluir un valor atípico.

Un equipo de investigación de Johns Hopkins Medicine (Baltimore, MD, EUA) está desarrollando un modelo de aprendizaje automático "débilmente supervisado", que no requiere muchos datos anotados para su entrenamiento. Al hacerlo, un patólogo sólo necesitaría proporcionar WSI parcialmente anotados, lo que aliviaría significativamente su carga de trabajo. Para desarrollar el modelo de aprendizaje automático, el equipo comenzó recopilando WSI de pacientes con osteosarcoma intramedular (que se origina dentro del hueso) tratados con quimioterapia y cirugía entre 2011 y 2021. Luego, un patólogo musculoesquelético etiquetó parcialmente tres tipos de tejido en estas WSI: tumor activo, tumor muerto y tejido no tumoral y también proporcionó una estimación de PN para cada caso. Estos datos formaron la base para el entrenamiento del modelo.

El modelo fue entrenado para reconocer y categorizar patrones de imágenes. Las WSI se segregaron en miles de parches más pequeños, se dividieron en grupos según las etiquetas del patólogo y luego alimentaron al modelo. Este proceso tuvo como objetivo proporcionar al modelo un marco de referencia más sólido en lugar de simplemente alimentarlo con una gran WSI. Al finalizar el entrenamiento, el modelo se probó junto con el patólogo musculoesquelético en seis WSI de dos pacientes. Los resultados demostraron una correlación del 85 % en los cálculos de PN y el etiquetado de tejidos entre el modelo y el patólogo. Sin embargo, el modelo tuvo dificultades para etiquetar el cartílago con precisión, lo que generó un valor atípico como resultado de la abundancia de cartílago en una WSI. Cuando se eliminó este valor atípico, la correlación se elevó al 99 %. El trabajo futuro se centrará en incorporar tejido cartilaginoso en el entrenamiento del modelo y ampliar la gama de WSI para abarcar varios tipos de osteosarcoma, no solo el intramedular.

"Si este modelo fuera validado y producido, podría ayudar a acelerar la evaluación de la efectividad de la quimioterapia en un paciente y, por lo tanto, brindarle una estimación del pronóstico con anterioridad", dijo la Dra. Christa LiBrizzi, coprimera autora del estudio y residente del Departamento de Cirugía Ortopédica de Johns Hopkins Medicine. "Eso reduciría los costos de atención médica, así como la carga laboral de los patólogos musculoesqueléticos".

Enlaces relacionados:
Johns Hopkins Medicine

Miembro Oro
HISOPOS DE FIBRA FLOCADA
Puritan® Patented HydraFlock®
Verification Panels for Assay Development & QC
Seroconversion Panels
New
Mumps Virus Test
ZEUS ELISA Mumps IgG Test System
New
Troponin I Test
Quidel Triage Troponin I Test

Print article

Canales

Química Clínica

ver canal
Imagen: los pequeños materiales a base de arcilla se pueden personalizar para una variedad de aplicaciones médicas (foto cortesía de Angira Roy y Sam O’Keefe)

Herramienta química a nanoescala 'brillantemente luminosa' mejora detección de enfermedades

Miles de moléculas brillantes disponibles comercialmente, conocidas como fluoróforos, se utilizan comúnmente en imágenes médicas, detección de enfermedades, marcado... Más

Inmunología

ver canal
Imagen: la prueba de células madre del cáncer puede elegir con precisión tratamientos más efectivos (fotografía cortesía de la Universidad de Cincinnati)

Prueba de células madre predice resultado del tratamiento en cáncer de ovario resistente al platino

El cáncer de ovario epitelial suele responder inicialmente a la quimioterapia, pero con el tiempo, el tumor desarrolla resistencia a la terapia, lo que provoca su recrecimiento. Esta resistencia... Más

Microbiología

ver canal
Imagen: el ensayo de laboratorio en tubo podría mejorar los diagnósticos de TB en áreas rurales o limitadas por recursos (foto cortesía de la Universidad de Tulane/Kenny Lass)

Dispositivo portátil ofrece resultados de tuberculosis económico y rápido

La tuberculosis (TB) sigue siendo la enfermedad infecciosa más mortal a nivel mundial, afectando a aproximadamente 10 millones de personas al año. En 2021, alrededor de 4,2 millones de casos... Más

Tecnología

ver canal
Imagen: el chip de autoevaluación del VIH-1 será capaz de detectar selectivamente el VIH en muestras de sangre entera (foto cortesía de Shutterstock)

Tecnología de microchip desechable podría detectar selectivamente VIH en muestras de sangre completa

A finales de 2023, aproximadamente 40 millones de personas en todo el mundo vivían con VIH, y alrededor de 630.000 personas murieron por enfermedades relacionadas con el sida ese mismo año.... Más
Copyright © 2000-2025 Globetech Media. All rights reserved.