Cómo funciona: una imagen de campo amplio capturada con la cámara de un teléfono inteligente muestra grandes secciones de la piel de un paciente en un entorno de atención primaria. El sistema automatizado detecta, extrae y analiza todas las lesiones cutáneas pigmentadas visibles en la imagen de gran angular. Una red neuronal convolucional profunda previamente entrenada (DCNN) identifica y resalta la sospecha de lesiones pigmentadas individuales (amarillo = considerar un examen más detallado, rojo = requiere seguimiento adicional o derivación a un dermatólogo). Las características extraídas se utilizan para evaluar aún más los cambios de pigmentación y para mostrar los resultados en el formato de mapa de calor. Crédito: Animación cortesía de investigadores.
El melanoma es un tipo de tumor maligno responsable de más del 70 por ciento de todas las muertes por cáncer de piel en todo el mundo. Durante años, los médicos se han basado en exámenes visuales para identificar lesiones pigmentadas pigmentadas (SPL) sospechosas que pueden indicar cáncer de piel. Esta identificación temprana de SPL en entornos de atención primaria puede mejorar el pronóstico del melanoma y reducir significativamente los costos del tratamiento.
El desafío es que encontrar y priorizar SPL rápidamente es difícil debido a la gran cantidad de lesiones pigmentadas que a menudo deben evaluarse para una posible biopsia. Ahora, científicos del MIT y otros países han desarrollado una nueva corriente de inteligencia artificial utilizando redes neuronales convolucionales profundas (DCNN) y su aplicación al análisis de SPL utilizando fotografía de campo amplio común a la mayoría de los teléfonos inteligentes y cámaras personales.
Las DCNN son redes neuronales que se pueden utilizar para clasificar (o “nombrar”) imágenes con el fin de agruparlas (por ejemplo, al buscar fotos). Estos algoritmos de aprendizaje automático pertenecen al subconjunto de aprendizaje profundo.
Al usar cámaras para capturar imágenes amplias de grandes áreas del cuerpo de los pacientes, el programa usa DCNN para identificar y detectar de manera rápida y eficiente el melanoma en etapa temprana, dice Luis R. Soenksen, PhD y experto en inteligencia artificial First Venture Builder del MIT. . Soenksen realizó una investigación con científicos del MIT, incluidos miembros del cuerpo docente del Instituto de Ingeniería y Ciencia Médica (IMES) del MIT Martha J. Gray, W. Kieckhefer, Profesora de Ciencias y Tecnología de la Salud, Profesora de Ingeniería Eléctrica y Ciencias de la Computación; y James J. Collins, profesor Termeer en Ingeniería Médica y Ciencia e Ingeniería Biológica.
Soenksen, quien es el primer autor del artículo reciente “Uso del aprendizaje profundo para la detección a nivel dermatólogo de lesiones cutáneas pigmentadas sospechosas a partir de imágenes de campo amplio”, publicado en Medicina traslacional de la ciencia, explica que “La detección temprana de SPL puede salvar vidas; sin embargo, la capacidad actual de los sistemas médicos para proporcionar un cribado cutáneo completo a gran escala sigue siendo insuficiente ».
El artículo describe el desarrollo de un sistema de análisis de SPL utilizando DCNN para una identificación más rápida y eficaz de las lesiones cutáneas que requieren exámenes más detallados, pruebas de detección que pueden realizarse durante las visitas de rutina en atención primaria e incluso por los propios pacientes. El sistema utilizó el DCNN para optimizar la identificación y clasificación de SPL en imágenes de área amplia.
Utilizando inteligencia artificial, los científicos entrenaron el sistema utilizando 20.388 imágenes amplias de 133 pacientes del Hospital Gregorio Marañón de Madrid, así como imágenes disponibles para el público. Las fotos se tomaron con una variedad de cámaras comunes que son fácilmente accesibles para los consumidores. Los dermatólogos que trabajaron con los investigadores hicieron una clasificación visual de los cambios en las fotos para compararlos. Encontró que el sistema alcanzaba una sensibilidad superior al 90,3 por ciento para distinguir el SPL de las lesiones no sospechosas, la piel y el fondo complejo, evitando las imágenes engorrosas y laboriosas de las lesiones individuales. Además, el trabajo presenta un nuevo método para extraer la intensidad de las lesiones intraindividuales (el criterio del patito feo o una comparación de cambios en la piel de un individuo que se distingue de los demás) basado en las características DCNN de los detectados. daño.
“Nuestra investigación sugiere que los sistemas que utilizan visión por computadora y redes neuronales profundas para cuantificar estos síntomas típicos pueden lograr una precisión comparable a la de los dermatólogos expertos”, explica Soenksen. “Esperamos que nuestra investigación estimule el deseo de proporcionar pruebas de detección dermatológicas más eficaces en entornos de atención primaria para las derivaciones adecuadas”.
Según los investigadores, esto permitiría una evaluación más rápida y precisa del SPLS y podría conducir a un tratamiento más temprano del melanoma.
Gray, autor principal del artículo, explica cómo se desarrolló este importante proyecto: “Este trabajo nació como un nuevo proyecto desarrollado por becarios (cinco colaboradores) en el programa MIT Catalyst, un programa diseñado para nuclear proyectos que abordan necesidades clínicas urgentes. Este trabajo ilustra la visión de un devoto de HST / IMES (que generó la tradición de Catalyst) de usar la ciencia para progresar salud humana“Este trabajo fue apoyado por Abdul Latif Jameel Clinic for Machine Learning in Health y la Consejería de Educación, Juventud y Deportes de la Comunidad de Madrid a través del consorcio Madrid-MIT M + Visión.
Luis R. Soenksen y col. Usando el aprendizaje profundo para detectar cambios sospechosos en la pigmentación de la piel sobre la base de imágenes extensas al nivel del dermatólogo, Medicina traslacional de la ciencia (2021). DOI: 10.1126 / scitranslmed.abb3652
Entregado por
Instituto de Tecnología de Massachusetts
Esta historia se volvió a publicar por cortesía de MIT News (web.mit.edu/newsoffice/), un sitio popular de noticias sobre investigación, innovación y enseñanza del MIT.