Menu
Experiencia
Maestrías
Diplomados
Congresos
Testimonios
COVID-19
Noticias de la escuela
Investigación por CAMIPER Escuela
Experiencia
Nosotros
Global
Investigación
Alumni
Videos CAMIPER
Convenios
Modelo Educativo
Incompany
Maestrías
Ciencias de la Salud
Seguridad
Mantenimiento
Ciencias Jurídicas
Gestión
Geología
Minería
Ciencias de la Salud
Administración en Epidemiología y Salud Pública Gerencia y Administración en Salud Hospitalaria Administración y Gestión de Salud Ocupacional Administración de Enfermería
Seguridad
Gestión de SSOMA en Minería versión Jul - 2022
Mantenimiento
Administración del Mantenimiento Industrial
Ciencias Jurídicas
Derecho Minero
Gestion
Gestión de Operaciones Mineras
Geologia
Geomecánica y Geotecnia Minera
Minería
Maestría Internacional MBA en Gerencia Minera
Diplomados
Gestión
Geología
Minería
Metalurgia
Seguridad
Responsabilidad Social
Mantenimiento
Ciencias Jurídicas
Ciencias de la Salud
Gestión
Gestión de Operaciones en Minería
Geologia
Hidrogeología Minera Avanzada Geomecánica Minera Avanzada Geotecnia Minera Avanzada
Minería
Perforación y Voladura en Minería Subterránea Perforación y Voladura en Minería Superficial Planificación y Diseño de Minas
Metalurgia
Planta de Procesamiento de Minerales
Seguridad
Seguridad Minera y Salud Ocupacional SSOMA en Minería
Responsabilidad Social
Gestión de Relaciones Comunitarias en Minería
Mantenimiento
Mantenimiento Industrial: Gerencia y Visión 4.0
Ciencias Jurídicas
Derecho Minero
Ciencias de la Salud
Epidemiología Avanzada Salud Hospitalaria Avanzada Salud Ocupacional Avanzada
Congresos
Minería
Ciencias de la Salud
Mantenimiento
Minería
II Congreso de Investigación en Geología, Minería y Metalurgia
Ciencias de la Salud
IV Congreso PROSALUD 2021
Mantenimiento
IV Congreso Internacional de Mantenimiento Industrial - CIMI 2022
Testimonios
Voces de CAMIPER
Testimonios de Maestrías
Testimonios de Diplomados
COVID-19
COVID-19
Alertas de Salud
contact Central (+51)(1) 349 4617 whatsapp Whatsapp (+51) 956 821 642 wallet Medios de pago campus Camiper Virtual
CONTACTO
Camiper
  • Experiencia
    Nosotros
    Global
    Investigación
    Alumni
    Videos CAMIPER
    Convenios
    Modelo Educativo
    In-Company
  • Maestrías
    Ciencias de la Salud
    Administración en Epidemiología y Salud Pública Gerencia y Administración en Salud Hospitalaria Administración y Gestión de Salud Ocupacional Administración de Enfermería
    Seguridad
    Gestión de SSOMA en Minería versión Jul - 2022
    Mantenimiento
    Administración del Mantenimiento Industrial
    Ciencias Jurídicas
    Derecho Minero
    Gestión
    Gestión de Operaciones Mineras
    Geología
    Geomecánica y Geotecnia Minera
    Minería
    Maestría Internacional MBA en Gerencia Minera
  • Diplomados
    Ciencias de la Salud
    Epidemiología Avanzada
    Salud Hospitalaria Avanzada
    Salud Ocupacional Avanzada
    Seguridad
    Seguridad Minera y Salud Ocupacional SSOMA en Minería
    Minería
    Perforación y Voladura en Minería Subterránea Perforación y Voladura en Minería Superficial Planificación y Diseño de Minas
    Metalurgia
    Planta de Procesamiento de Minerales
    Gestión
    Gestión de Operaciones en Minería
    Geología
    Hidrogeología Minera Avanzada
    Geomecánica Minera Avanzada
    Geotecnia Minera Avanzada
    Mantenimiento
    Mantenimiento Industrial: Gerencia y Visión 4.0
    Responsabilidad Social
    Gestión de Relaciones Comunitarias en Minería
    Ciencias Jurídicas
    Derecho Minero
  • Congresos
    Minería
    II Congreso de Investigación en Geología, Minería y Metalurgia
    Ciencias de la Salud
    IV Congreso PROSALUD 2021
    Mantenimiento
    IV Congreso Internacional de Mantenimiento Industrial - CIMI 2022

Investigación por CAMIPER Escuela

Impacto de la inteligencia artificial en oncología

Impacto de la inteligencia artificial en oncología

Por Dr. Hernán Seoane, Director de Ciencias de la Salud de Camiper, Escuela de Altos Estudios.

Setiembre 20, 2021

Impacto de la inteligencia artificial en oncología

La histopatología ha sido hasta la actualidad el estándar diagnóstico de las patologías vinculadas con el cáncer. Pero, mientras que la interpretación de los cortes de tejido es subjetiva, la llegada de la genómica clínica ha contribuido a perfeccionar la estratificación de los pacientes y la toma de decisiones clínicas mediante la identificación de vulnerabilidades tumorales procesables.

Sin embargo, tanto la evaluación histológica como los métodos de secuenciación llevan mucho tiempo y son costosos, y a menudo arrojan resultados inconsistentes entre distintas instituciones.

Entran en escena el big data y la inteligencia artificial (IA), con la premisa de que, si se dispone de suficiente información, se pueden generar modelos predictivos que logren diagnósticos automatizados de grado clínico y faciliten los flujos de trabajo de los médicos para un diagnóstico preciso.

En la última década se ha producido un aumento de la cantidad de datos clínicos digitalizados, como las historias clínicas electrónicas, la genómica y las imágenes biomédicas digitales. Tal vez debido a sus protocolos estandarizados de recogida de datos de alta calidad y a los menores problemas inherentes a la falta de datos que en otros tipos de datos clínicos, las imágenes médicas han surgido como una frontera de éxito para la IA en medicina.

La visión por ordenador ha permitido realizar algunos de los estudios más sorprendentes que predicen indicios moleculares y patológicos a partir de imágenes digitalizadas. El nivel de información que se puede recuperar de las imágenes digitales supera la capacidad humana en términos de velocidad, así como la capacidad de inferir y detectar rasgos sutiles ocultos a la percepción humana.

En 2017, Esteva et al. publicaron un estudio histórico en el campo de la visión por ordenador aplicada a la detección del cáncer. Los autores utilizaron un gran conjunto de datos de imágenes digitales de afecciones cutáneas para entrenar y validar una red neuronal convolucional profunda capaz de discriminar entre lesiones benignas y malignas con una precisión similar a la de los dermatólogos entrenados. Estos hallazgos dieron lugar a otros estudios destinados a comprender si se pudieran determinar otras características, además de la clasificación de los tumores frente a los tejidos normales -una tarea que pueden realizar fácilmente los patólogos capacitados-, a partir de los patrones histológicos.

El trabajo de prueba de concepto de Coudray et al. proporcionó la primera prueba sólida de que el aprendizaje profundo en portaobjetos de histología tumoral puede predecir mutaciones conductoras y clasificar subtipos de tumores. El trabajo de seguimiento de Campanella et al. (2019) demostró que se puede lograr una alta precisión diagnóstica sin necesidad de curar los datos previamente, si los conjuntos de datos son lo suficientemente grandes y los estudios de Fu et al. (2020) y Kather et al. (2020) ampliaron la amplitud de la aplicabilidad de estos algoritmos en la detección de huellas moleculares y correlaciones pronósticas en múltiples tipos de cáncer.

Tal vez la funcionalidad más relevante de la IA en la histopatología del cáncer sea su integración en los flujos de trabajo clínicos para mejorar la gestión de los pacientes. Otra aplicación clínica pragmática de la IA médica ha permitido el diagnóstico casi en tiempo real de los pacientes en el quirófano. Un ensayo clínico prospectivo realizado por Hollon et al. (2020) ha demostrado que un sistema impulsado por la IA puede ofrecer diagnósticos precisos a los pacientes que se someten a una intervención quirúrgica por cáncer cerebral, lo que pone de manifiesto el potencial de estos modelos para aumentar la velocidad y la precisión de las decisiones clínicas.

Se necesitan estudios futuros para garantizar que este nivel de percepción aumentada no esté disponible solo para las instituciones que pueden permitirse costosos aparatos y programas médicos. Esteva, et al. allanaron el camino hacia un acceso asequible a la clasificación diferencial de las lesiones cutáneas asistida por la IA mediante el uso de cámaras de teléfonos móviles normales. Otros esfuerzos de Chen et al. (2019) han permitido la integración en tiempo real mediante enfoques de realidad aumentada que, al superponer un sistema de IA con el campo de visión de un microscopio, facilitan la anotación histológica automatizada en lugares que carecen de acceso a patólogos capacitados. Estos métodos han ampliado las aplicaciones de la IA en el mundo real un paso más allá en el diagnóstico del cáncer de próstata, y pueden ampliarse a otros tipos de tumores y enfermedades que a menudo requieren una evaluación histológica especializada.

La mayoría de los estudios realizados hasta la fecha han sido correlativos y se han basado en el análisis retrospectivo de conjuntos de datos controlados. Estos han proporcionado los fundamentos de la IA en las aplicaciones sanitarias y han ilustrado nuevas posibilidades para mejorar el rendimiento de los patólogos formados. Para aprovechar plenamente su potencial, los sistemas de IA deben probarse de forma crucial en estudios prospectivos controlados para evaluar con precisión su valor clínico, un entorno para el que Liu et al. (2020) han elaborado directrices específicas.

REFERENCIAS

  • Bejnordi, B. et al. (2017). Diagnostic assessment of deep learning algorithms for detection of lymph node metastases in women with breast cancer. JAMA, 22, 2199-2210.
  • Campanella, G. et al. (2019). Clinical-grade computational pathology using weakly supervised deep learning on whole slide images. Nature Medicine, 25, 1301-1309.
  • Chen, P. et al. (2019). An augmented reality microscope with real-time artificial intelligence integration for cancer diagnosis. Nature Medicine, 25, 1453-1457.
  • Fu, Y. et al. (2020). Pan-cancer computational histopathology reveals mutations, tumor composition and prognosis. Nature Cancer, 1, 800-810.
  • Hollon, T. et al. (2020). Near real-time intraoperative brain tumor diagnosis using stimulated Raman histology and deep neural networks. Nature Medicine, 26, 52-58.
  • Kather, J. et al. (2020). Pan-cancer image-based detection of clinically actionable genetic alterations. Nature Cancer, 1, 789-799.
  • Liu, X. et al. (2020). Reporting guidelines for clinical trial reports for interventions involving artificial intelligence: the CONSORT-AI extension. Nature Medicine, 26, 1364-1374.
  • Soudray, N. et al. (2018). Classification and mutation prediction from non–small cell lung cancer histopathology images using deep learning. Nature Medicine, 24, 1559-1567.

Compartir Nota

https://camiper.com/investigacion-por-camiper-escuela/impacto-de-la-inteligencia-artificial-en-oncologia

Relacionados

Junio 02, 2022

“El costo económico de los accidentes laborales”

Por Ph.D. Leonardo Cornejo, Presidente del Comité Técnico Consultivo de la Cámara Minera del Perú.

Mayo 27, 2022

“Hepatitis aguda grave desconocida en niños ”

Por Dr. Hernán Seoane, Director de Ciencias de la Salud de Camiper, Escuela de Altos Estudios.

Abril 15, 2022

“Respeto a la identidad y cultura en el sector minero”

Por Mg. Walter Heredia, Director de Responsabilidad Social del Comité Técnico Consultivo de la Cámara Minera del Perú.

Camiper Camara Minera del Peru
Central (+51)(1) 349 4617
Whatsapp (+51) 956 821 642
Calle Los Canarios N° 105 Urb. San César II Etapa La Molina, Lima - Perú
Contáctanos Visítanos Mantente actualizado Libro de reclamaciones
Síguenos
Experiencia Maestrías Diplomados Congresos
© CAMIPER Escuela de Altos Estudios