Con un estimado de
160,000 muertes en 2018, el cáncer de pulmón es la causa más común de muerte
por cáncer en los Estados Unidos. Se ha demostrado que el cribado del cáncer de
pulmón con tomografía computarizada de baja dosis reduce la mortalidad en un 20
a 43% y ahora se incluye en las pautas de cribado de EE. UU. Los desafíos
existentes incluyen la variabilidad entre evaluador y altas tasas de falsos
positivos y falsos negativos. Proponemos un algoritmo de aprendizaje profundo
que utiliza los volúmenes de tomografía computada actuales y anteriores de un
paciente para predecir el riesgo de cáncer de pulmón. Nuestro modelo logra un
rendimiento de vanguardia (94,4%) en 6,716 casos del Estudio Nacional de
Evaluación del Cáncer de Pulmón, y se comporta de manera similar en un conjunto
de validación clínica independiente de 1,139 casos. Realizamos dos estudios de
lectura: cuando no se disponía de imágenes de tomografía computarizada
anteriores, nuestro modelo superó a los seis radiólogos con reducciones
absolutas del 11% en falsos positivos y del 5% en falsos negativos. Cuando se
disponía de imágenes de tomografía computarizada anteriores, el rendimiento del
modelo estaba a la par con los mismos radiólogos. Esto crea una oportunidad
para optimizar el proceso de selección a través de la asistencia informática y
la automatización. Si bien la gran mayoría de los pacientes no son evaluados,
mostramos el potencial de los modelos de aprendizaje profundo para aumentar la
precisión, la consistencia y la adopción de pruebas de detección de cáncer de
pulmón en todo el mundo.
Descarga el artículo AQUÍ
No hay comentarios:
Publicar un comentario