Informe técnico médico
Transcript of Informe técnico médico
Informe técnico médico
Acerca de nosotrosLunit, abreviado de “learning unit” que significa “unidad de aprendizaje”, es una
compañía de software médico de IA dedicada a desarrollar análisis avanzado de
imagen médica y biomarcadores novedosos de diagnóstico por imágenes mediante
tecnología de aprendizaje profundo de última generación.
Fundada en 2013, Lunit ha sido reconocida a nivel internacional por su tecnología
avanzada y de punta y su aplicación en imágenes médicas.
Lunit tiene su sede en Seúl, Corea del Sur.
Nuestra misiónPerfeccionar la inteligencia, transformar la medicina.
Aplicando nuestra tecnología de IA sin precedentes, buscamos proveer soluciones de IA que
inauguren una nueva era para el diagnóstico y la terapéutica. Nos centramos especialmente en
conquistar el cáncer, una de las principales causas de muerte en todo el mundo.
Perfeccionar la inteligencia, transformar la medicina.
2 I Lunit INSIGHT MMG
Lunit INSIGHT MMGEl cáncer de mama es una de las enfermedades más comunes, abarca el 25 % de todos los tipos de cáncer
y es la principal causa de muerte, alcanzando el 15 %, de las mujeres de todo el mundo .1 La mamografía de
detección es la única modalidad individual que ha demostrado mejorar la supervivencia del cáncer de mama,
con una tasa de reducción de mortalidad de alrededor del 20 %.2
Sin embargo, la precisión de la mamografía de detección es baja, con tasas de falsos negativos del 10 % al
30 %3 y tasas de falsos positivos alrededor del 95 %.
4 La proporción de especialistas en mamas que analizan
las mamografías de detección también es baja.
Lunit INSIGHT MMG ofrece una solución a este problema mediante la detección de lesiones de cáncer de mama
con una precisión del 97 % en cuestión de segundos. Ha sido entrenado con 200.000 casos de mamografía, de
los cuales aproximadamente 50.000 casos fueron de pacientes con cáncer de mama. Los resultados de nuestro
reciente estudio de lectores muestran que, con Lunit INSIGHT MMG, los radiólogos notaron un aumento en la
detección del cáncer de mama (24 %) y una disminución de rellamadas por falsos positivos (12 %).
—
Puede acceder a https://insight.lunit.io para cargar libremente imágenes y obtener en poco
tiempo los resultados de los análisis en tiempo real realizados por Lunit INSIGHT.
Condición normativa (a partir
de Junio de 2020)
· Marcado CE: Certificado. Mayo de 2020
· MFDS de Corea: Aprobado, julio de 2019
· FDA: Previsto en el 2020
1 Torre LA, Bray F, Siegel RL, Ferlay J, Lortet-Tieulent J, Jemal A. Estadísticas globales de cáncer, 2012. CA Cancer J Clin 2015;65:87-108.
2 Myers ER, Moorman P, Gierisch JM, et al. Beneficios y perjuicios del examen de detección del cáncer de mama: una revisión sistemática. JAMA 2015;314:1615-34.
3 Majid AS, de Paredes ES, Doherty RD, Sharma NR, Salvador X. Carcinoma de mama pasado por alto: trampas y perlas. Radiografías 2003; 23: 881-95.
4 http://breastscreening.cancer.gov.
Validación interna(Corea, Estados Unidos, Reino Unido)
Lunit INSIGHT MMG se validó a nivel nacional en varios países con diferentes etnias.
El conjunto de datos de validación consiste en aproximadamente 3.200 pacientes de exámenes de
mamografía de 3 países, de los cuales 1.858 pacientes son de Corea (CR), 750 de los Estados Unidos
(EE. UU.), y 654 del Reino Unido (RU).
Resumen de desempeño: ROC AUC, Sensibilidad, Especificidad
Análisis de densidad por subgrupos: ROC AUC
* Los falsos positivos por imagen (FPPI, en inglés) representan el número de hallazgos de FP por imagen; extremadamente bajo, especialmente
en las mamas no cancerosas.
VALIDACIÓN INTERNA I 3
Análisis de falsos positivos: FPPI*
Promedio de desempeño
IC del 95 % (Bajo, Alto)
KR
US
UK
Completamente grasa
Cáncer de mama
ROC AUC
Tejido fibroglandular disperso
Especificidad
Extremadamente densa
Seno normal
Sensibilidad
Heterogéneamente densa
Seno benigno
0,970(0,963, 0,978)
0,953(0,938, 0,968)
0,938(0,918, 0,958)
0,965
0,117
0,975
0,350
0,917(0,881, 0,954)
0,954
0,031
0,768(0,729, 0,808)
0,925
0,936(0,906, 0,966)
0,802(0,767, 0,837)
0,903(0,880, 0,926)
0,917(0,901, 0.932)
Resultados del estudio del lector(Ministerio de Seguridad de los Alimentos y los Medicamentos de Corea)
Desempeño del diagnóstico: ROC AUC (N=320)
Tasa de rellamada: Cáncer (N=160), Libre de cáncer (N=160)
Severance Hospital de la Universidad de Yonsei y el Hospital Universitario Soon Chun Hyang, febrero de 2019
4 I RESULTADOS DEL ESTUDIO DEL LECTOR
P - value< 0.00 1
Lunit INSIGHT
P - value< 0.00 1
0.70.6 0.8 0.9 ROC AUC
0.940
0.847
0.893
0.773
0.869
Human Only
Human + Lunit INSIGHT
Breast Specialists(N=7)
General Radiologists(N=7)
Non-cancer Recall Rate
0.20 0.4 0.6 0.8
P - value< 0.00 1
P - value< 0.05
0.277
0.263
0.284
0.245
0.181
P - value< 0.00 1
Lunit INSIGHT
P - value< 0.00 1
Cancer Recall Rate
0.20 0.4 0.6 0.8
0.888
0.800
0.863
0.705
0.832
Human Only
Human + Lunit INSIGHT
Breast Specialists(N=7)
General Radiologists(N=7)
0,940
Solo humano
Solo humano
Humano + Lunit INSIGHT
Humano + Lunit INSIGHT
0,847
0,800
0,773
0,705
0,893
0,863 0,263
0,869
0,832 0,245
Especialistas en senos
(N=7)
Especialistas en senos
(N=7)
Radiólogos generales
(N=7)
Radiólogos generales
(N=7)
Tasa de rellamada por cáncer Tasa de rellamada libre de cáncer
0,6
0,2 0,2
0,7
0,4 0,4
0,8
0,6 0,6
0,9
0,8 0,8
Valor P< 0,001
Valor P< 0,001
Valor P< 0,05
Valor P< 0,001
Valor P< 0,001
Valor P< 0,001
0,1810,888
0,277
0,284
Resultados del estudio del lector(Desempeño de diagnóstico y tiempo de lectura)
Análisis de subgrupos: Densidad de las mamas
Hospital Universitario Soon Chun Hyang, octubre de 2019
A: Completamente grasa / B: Tejido fibroglandular disperso / C: Heterogéneamente densa / D: Extremadamente densa
Resumen de desempeño: ROC AUC, Tasa de rellamada, tiempo de lectura
RESULTADOS DEL ESTUDIO DEL LECTOR I 5
0,905
0,850
0,861
0,751
0,948
0,915
Grasa (A,B)
Tasa de rellamada
por cáncer
(N=160)
ROC AUC
(N=320)
Tasa de rellamada
libre de cáncer
(N=160)
0,866
0,816
0,306
0,782
0,660
0,932
0,870
Densa (C,D)
0,1680,205
71,00 seg
71,97 seg
0,067Grasa (A,B)
0,841
60.89 seg
60.88 seg
0,792
0,348
Tasa de rellamada
ROC AUC (N=200)
Cáncer (N=100)
Cáncer (N=100)
Libre de cáncer(N=100)
Libre de cáncer(N=100)
Tiempo de lectura
0,864
0,210
-
-
Grasa (A,B)
0,3050,326 0,250Densa (C,D)
0,8500,738 0,897Densa (C,D)
Promedio de desempeño
Promedio de desempeño
Solo
radiólogo (N=14)
Solo
radiólogo (N=5)
Solo
Lunit INSIGHT
Solo
Lunit INSIGHT
Radiólogo
+ Lunit INSIGHT (N=14)
Radiólogo
+ Lunit INSIGHT (N=5)
Detección de cáncer en etapa temprana
Los siguientes ejemplos muestran la evaluación del desempeño de Lunit INSIGHT MMG en cuanto a la
detección de cáncer en etapa temprana. Ambos ejemplos consisten en un caso de cáncer comprobado
por biopsia y sus estudios previos. En cada ejemplo, se muestran imágenes originales en la primera fila con
los datos reales de las lesiones cancerosas, y las mismas imágenes analizadas por Lunit INSIGHT MMG se
muestran en la segunda fila con la detección de lesiones cancerosas presentadas en mapas térmicos.
Ejemplo 1
Ejemplo 2
6 I DETECCIÓN DE CÁNCER EN ETAPA TEMPRANA
IGNORADO
10/2008
07/2011
10/2009
09/2012
10/2010
11/2013
71,2 %Puntuación de anormalidad
40,1 %Puntuación de anormalidad
91,8 %Puntuación de anormalidad
81,4 %Puntuación de anormalidad
99,9 %Puntuación de anormalidad
99,9 %Puntuación de anormalidad
IGNORADO
IGNORADOCÁNCER DE MAMA DIAGNOSTICADO
CÁNCER DE MAMA DIAGNOSTICADOIGNORADO
Se podría haber diagnosticado
al menos 2 años antes con Lunit
INSIGHT
Se podría haber diagnosticado
al menos 2 años antes con Lunit
INSIGHT
CASO 1
Casos de muestra
Los siguientes casos de muestra manifiestan cómo los radiólogos pudieron detectar más cáncer de
mama después de usar Lunit INSIGHT MMG. Entre paréntesis, a la izquierda se encuentra el número de
radiólogos que detectaron el cáncer de mama sin asistencia de IA, mientras que a la derecha se encuentra
el número de radiólogos que detectaron correctamente el cáncer de mama con Lunit INSIGHT MMG.
( Número total de radiólogos = 14 )
CASOS DE MUESTRA I 7
Una pequeña masa oscurecida ( sin Lunit 4 con Lunit 13 )
CASO 2 Una pequeña masa oscurecida ( sin Lunit 7 con Lunit 14 )
8 I CASOS DE MUESTRA
CASO 3 Una pequeña masa oscurecida con microcalcificaciones agrupadas
( sin Lunit 2 con Lunit 11 )
CASO 4 Una pequeña masa oscurecida con microcalcificaciones agrupadas
( sin Lunit 5 con Lunit 12 )
CASOS DE MUESTRA I 9
CASO 5 Una pequeña masa espiculada ( sin Lunit 7 con Lunit 14 )
CASO 6 Asimetría focal ( sin Lunit 5 con Lunit 13 )
Asimetría focal ( sin Lunit 5 con Lunit 13 )
Asimetría focal ( sin Lunit 7 con Lunit 14 )
10 I CASOS DE MUESTRA
CASO 7
CASO 8
OTRAS INVESTIGACIONES EN RADIOLOGÍA MAMARIA I 11
Otras investigaciones en radiología mamaría
Se ha demostrado mediante varios estudios a
gran escala que la tomosíntesis digital de mama
(Digital Breast Tomosynthesis, DBT) es superior
a la mamografía en términos de desempeño
en la detección del cáncer de seno. Estamos
usando nuestra experiencia en la investigación
de mamografías para desarrollar un algoritmo de
diagnóstico de alta precisión para la detección del
cáncer de mama en DBT.
Hasta el 56 % de los casos de carcinoma ductal
in situ (DCIS) comprobados por biopsia han sido
transformados en carcinoma ductal microinvasivo o
invasivo (CDI) al final de la patología quirúrgica, lo
que probablemente lleve a procedimientos invasivos
adicionales. Estamos investigando si es posible la
evaluación prequirúrgica para distinguir el DCIS y el
CDI en la mamografía.
Tomosíntesis digital de mama
CDI y CDIS en la mamografía
12 I RESÚMENES DE RSNA
Aumento de la tasa de detección de cáncer y reducción de rellamada
por falso positivo en mamografías de detección con inteligencia artificial
- un estudio de lector multicéntrico
Evaluar la factibilidad de un software de apoyo para diagnósticos
basado en inteligencia artificial (IA) para mejorar el desempeño
del diagnóstico de los radiólogos en cuanto a la detección del
cáncer y la rellamada por falsos positivos en la detección del
cáncer de mama.
Este estudio de lectores mostró una mejora estadísticamente
significativa del desempeño de diagnóstico (0,071 de aumento
en el ROC AUC). La tasa de detección de cáncer se incrementó
en 12,6 % y la tasa de retiro de falsos positivos se redujo en 9,6 %
con la ayuda de un software de apoyo para diagnósticos basado
en IA.
Con el aumento de la tasa de detección de cáncer y la
disminución de la tasa de rellamada por falsos positivos, el
software de apoyo para diagnósticos basado en IA se puede usar
prácticamente en la detección del cáncer de mama de rutina.
Se recopilaron retrospectivamente un total de 400 exámenes
de mamografías de detección de dos instituciones. Para cada
institución, se recolectaron 100 exámenes de cáncer, 40
benignos y 60 normales. Todos los exámenes de cáncer se
comprobaron por biopsia. La mitad de los exámenes benignos
se comprobaron por biopsia (es decir, rellamada por benigno)
mientras que el resto se comprobaron con al menos 2 años de
seguimiento radiológico. El 80 % de los exámenes se seleccionó
al azar respectivamente de cada categoría y de cada institución
(por ejemplo, 16 rellamadas por benignos para cada institución).
Todos los exámenes se emparejaron a 4 vistas. Se realizó un
estudio ciego de caso múltiple y múltiples lectores con un
grupo de 14 radiólogos para los 320 exámenes seleccionados.
Cada radiólogo lee cada caso sin y luego con la ayuda de Lunit
INSIGHT for Mammography (Lunit Inc., Corea del Sur), un software
basado en aprendizaje profundo que muestra los resultados
de malignidad por mama, así como la región de interés (ROI,
en inglés) para las lesiones malignas sospechosas (Fig. 1). Se
analizó la diferencia de la decisión de los lectores sin y con IA en
términos de probabilidad de malignidad (LOM; puntuación DMIST
de 7 puntos) y de rellamada (rellamados o no).
Se mostró una mejora significativa del desempeño de
diagnóstico para los 14 radiólogos; el promedio de ROC
AUC basado en LOM fue de 0,810 y 0,881 sin y con IA,
respectivamente (valor p=0,0000047, IC=95 %). En base a la
decisión binaria de los lectores de si cada examen ameritaba
rellamar o no, la tasa promedio de detección de cáncer se
incrementó de 75,3 % a 84,8 %; mientras que las rellamadas
por falsos positivos (es decir, rellamadas libres de cáncer)
se redujeron de 28,0 % a 25,4 %, de lo cual el 20 % de
los exámenes libres de cáncer se rellamaron como casos
benignos.
PROPÓSITO
CONCLUSIÓN
RELEVANCIA CLÍNICA / APLICACIÓN
MÉTODO Y MATERIALES
RESULTADOS
Software de apoyo para diagnósticos basado en
IA que muestra las puntuaciones de malignidad
por mama (en el panel del lado derecho) y el ROI
de las lesiones malignas sospechosas (mapas
térmicos).
RESÚMENES DE RSNA I 13
Biomarcador de diagnóstico por imágenes basado en datos
para la detección de cáncer de mama en la mamografía -
detección temprana del cáncer de mama
Evaluar la factibilidad de un biomarcador de diagnóstico por
imágenes basado en datos en la mamografía (DIB-MMG; un
biomarcador de diagnóstico por imágenes derivado de
datos de mamografías a gran escala basado en tecnología
de aprendizaje profundo) para comprobar si se puede
utilizar para la detección temprana del cáncer de mama.
Este estudio retrospectivo mostró la viabilidad del DIB-MMG para
la detección temprana del cáncer de mama en la mamografía,
donde 32 de los 47 cánceres ignorados, 30 de los 61 cánceres
de intervalo, y 7 de los 17 cánceres ocultos fueron detectados
por el DIB-MMG. El total de AUC fue de 0,738. Se necesita una
validación clínica adicional mediante un estudio de desempeño
de los observadores.
Con validación clínica adicional, el DIB-MMG se puede usar como
una herramienta efectiva de apoyo para diagnósticos en la detección
temprana del cáncer de mama en mamografías de detección.
Se recolectaron retrospectivamente un total de 105.592
exámenes de mamografías digitales de 4 vistas de múltiples
instituciones para desarrollar la DIB-MMG, de los que 22.456
eran cáncer (confirmados por biopsia), 36.821 eran benignos
(confirmados por biopsia o al menos 1 año de seguimiento
radiológico), y 46.315 eran exámenes normales. A partir de la
validación externa en una institución separada con 3.696 exámenes
de mamografías (1.073 fueron de cáncer; uno por paciente), el
DIB-MMG mostró 0,963; 94,1 %; 80,2 % de AUC, sensibilidad y
especificidad, respectivamente. Entre los 1.073 pacientes de cáncer,
85 se sometieron a 116 exámenes de mamografías anteriores que
se diagnosticaron como libres de cáncer en ese momento. Un
radiólogo de mamas revisó retrospectivamente los 116 exámenes
y los reclasificó en tres categorías - 1) Ignorado (46 exámenes; 47
mamas cancerosas / 45 no cancerosas): retrospectivamente vistos
en la mamografía previa (mmg-p) y también vistos en la mamografía
en el momento del diagnóstico (mmg-d), 2) Intervalo (55; 61/49):
no vistos retrospectivamente en mmg-p pero vistos en mmg-d, y
3) Ocultos (15; 17/13): no vistos tanto en mmg-p como en mmg-d.
Se analizó el DIB-MMG con respecto a los cánceres Ignorados,
Intervalo y Oculto, respectivamente.
Se utilizó el AUC, la sensibilidad y la especificidad por mamas,
ya que todos los datos son positivos a nivel de examen. El
AUC por mama fue de 0,841; 0,676 y 0,620 para las categorías
Ignorado, Intervalo y Oculto, respectivamente. La sensibilidad (c/
especificidad) en los diferentes puntos de operación 0,05; 0,10
fue 68;1 % (88,9 %); 55,3 % (91,1 %) para Ignorado, 49,2 % (83,7 %);
37,7 % (91,8 %) para Intervalo, y 41,2 % (69,2 %); 17,7 % (84,6 %)
para Oculto, respectivamente. El punto de funcionamiento
original del DIB-MMG para la detección de rutina era de 0,10. La
Fig. 1 muestra ejemplos de los cánceres Ignorados e Intervalo.
PROPÓSITO
CONCLUSIÓN
RELEVANCIA CLÍNICA / APLICACIÓN
MÉTODO Y MATERIALES
RESULTADOS
Se diagnosticó a cada paciente (izquierda y derecha)
como cáncer (columna derecha), cuando la lesión
cancerosa se vio en el momento del diagnóstico. Un
radiólogo de mama que ya conoce la ubicación de
las lesiones cancerosas confirmadas por la biopsia
revisó retrospectivamente sus mamografías anteriores
(primera y segunda columna).
1) Cáncer ignorado (izquierda): previamente negativo
pero retrospectivamente positivo,
2) Cáncer a intervalos (derecha): previamente
negativo y retrospectivamente negativo.
14 I RESÚMENES DE RSNA
Biomarcador por imágenes basado en datos para la detección de
cáncer de mama en mamografía - predicción de invasión tumoral en
la mamografía
Evaluar la factibilidad de un biomarcador de diagnóstico
por imágenes basado datos en mamografías (DIB-MMG; un
biomarcador de diagnóstico por imágenes derivado de datos de
mamografía a gran escala basado en tecnología de aprendizaje
profundo) para comprobar si la predicción de la invasión tumoral
es aplicable en la mamografía - discriminación de carcinoma
ductal in situ (DCIS), DCIS con microinvasión (DCIS-MI), y
carcinoma ductal invasivo (CDI).
Este estudio mostró que la discriminación de DCIS-MI de DCIS
es más difícil que la de CDI en la mamografía. Los resultados
experimentales mostraron que el DIB-MMG-IT es factible
para discriminar al CDI del resto. Se necesita una validación
clínica adicional mediante un estudio de desempeño de los
observadores.
Con una validación clínica adicional, el DIB-MMG-IT se puede
usar como una herramienta de apoyo para el diagnóstico
prequirúrgico en la predicción de la invasión tumoral en
mamografías.
Se recolectaron retrospectivamente un total de 151.764
exámenes de mamografías de 4 vistas de múltiples instituciones
para desarrollar DIBMMG, de los que 31.776 eran cáncer
(confirmados por biopsia), 49.644 eran benignos (confirmados
por biopsia o al menos 1 año de seguimiento radiológico), y
70.344 eran exámenes normales (confirmados por al menos 1
año de seguimiento radiológico). Se recolectó la evaluación
quirúrgica de la invasión tumoral (459 CDIS, 373 DCIS-MI y
6.365 CDI) para 7.197 de 31.776 exámenes de cáncer. Se utilizó
un conjunto separado de 777 exámenes de cáncer (46 DCIS, 49
DCIS-MI, 682 CDI) para la evaluación. Anteriormente, se evaluó
la viabilidad del DIB-MMG como una herramienta de apoyo
para diagnósticos en la detección de cáncer de mama en la
mamografía. En este estudio, también se investigó si el DIB-MMG
es aplicable para predecir la invasión tumoral en la mamografía.
El DIB-MMG-IT (es decir, la capacidad de invasión del tumor)
se desarrolló a través de dos etapas de entrenamiento - 1)
entrenamiento con etiquetas de diagnóstico (normal, benigno,
cáncer), seguido de 2) ajuste fino con etiquetas de capacidad de
invasión (DCIS, DCIS-MI, CDI) en el subconjunto de exámenes
de cáncer. Se explotó la ubicación de las lesiones cancerosas
(6.229 entre 7.197 exámenes) con fines de atención (es decir, el
mecanismo de atención en la IA) para predecir la capacidad de
invasión de manera más eficaz.
El AUC se resumió en dos tareas: 1) la discriminación de CDI
de DCIS y DCIS-MI, y 2) la discriminación de DCIS de DCIS-MI
y CDI. Para cada tarea, el AUC por examen del DIB-MMG-IT en
777 exámenes del conjunto de datos de validación fue de 0,781
y 0,690 respectivamente, mientras que el AUC por mama para
cada tarea fue de 0,775 y 0,690. La Fig. 1 muestra ejemplos.
PROPÓSITO
CONCLUSIÓN
RELEVANCIA CLÍNICA / APLICACIÓN
MÉTODO Y MATERIALES
RESULTADOS
Ejemplos de CDI (arriba) y DCIS (abajo)
respectivamente, donde el contorno rojo es
la ubicación de las lesiones cancerosas. Para
cada caso, el mapa de atención para el subtipo
respectivo se muestra como un mapa térmico.
RESÚMENES DE RSNA I 15
Biomarcador por imágenes basado en datos para la detección de
cáncer de mama en la tomosíntesis digital de mama - aprendizaje
multidominio con mamografía
Evaluar la factibilidad de que los datos de mamografía sean
útiles para desarrollar un biomarcador de diagnóstico por
imágenes basado en datos en la tomosíntesis digital de mama
(DIB-DBT; un biomarcador de diagnóstico por imágenes para la
detección del cáncer de mama, que se deriva de los datos de
DBT basados en la tecnología de aprendizaje profundo).
Este estudio demostró que el aprendizaje multidominio con
MMG a gran escala es una forma efectiva de desarrollar DIB-
DBT, especialmente con DBT a pequeña escala. Se necesita
validación clínica adicional para utilizar el DIB-DBT como una
herramienta de apoyo para un diagnóstico confiable en la
detección del cáncer de mama.
Con una validación clínica adicional, el DIB-DBT se podría
usar prácticamente como una herramienta de apoyo para
diagnóstico efectiva en la detección de cáncer de mama en la
tomosíntesis digital de mama.
Se recolectó retrospectivamente un total de 1.517 exámenes
de tomosíntesis digital de mama de 4 vistas (DBT) y 49.577
exámenes de mamografías digitales de 4 vistas (MMG) de una
institución. Se dividieron 1.517 exámenes de DBT en 1.187 (970
de cáncer, 52 benignos, 165 normales) y 330 (244 de cáncer,
34 benignos, 52 normales) exámenes de entrenamiento y
validación, y 49.577 exámenes de MMG en 47.719 (5.599 de
cáncer, 17.971 benignos, 24.149 normales) y 1.858 (619 de cáncer,
620 benignos, 619 normales) exámenes de entrenamiento
y validación, respectivamente. Para la validación externa,
también se recopilaron 448 exámenes (148 de cáncer, 150
benignos y 150 normales) de DBT de 4 vistas de otra institución.
Anteriormente, se demostró que el uso simultáneo de DBT
y MMG es efectivo para el desarrollo del DIB-DBT, que se
entrenó con MMG (a gran escala) en primer lugar, y luego se
ajustó con DBT (a pequeña escala). Además, nos propusimos
mejorar la utilización de MMG mediante el aprendizaje
multidominio para aumentar el rendimiento del DIB-DBT.Se
adoptó un entrenamiento en dos etapas - 1) pre entrenamiento
con MMG, seguido de 2) ajuste fino multidominio con DBT y
MMG. Se compararon un total de cuatro enfoques diferentes
para encontrar la mejor manera de explotar la MMG y así
desarrollar el DIB-DBT - (a) entrenamiento solo con DBT, (b-
d) entrenamiento con MMG y luego ajuste fino con (b) DBT
(trabajo previo), (c) DBT y MMG, (d) DBT y MMG por aprendizaje
multidominio.
El AUC por examen de la DIB-DBT en el conjunto de datos
de validación interna fue de 0,890; 0,899; 0,901; 0,910 para
cada método (a-d) respectivamente, mientras que el AUC por
examen en el conjunto de datos de validación externa fue de
0,871; 0,880; 0,899; 0,901 para (a-d) respectivamente. La Fig. 1
muestra un ejemplo de DIB-DBT (es decir, (d)).
PROPÓSITO
CONCLUSIÓN
RELEVANCIA CLÍNICA / APLICACIÓN
MÉTODO Y MATERIALES
RESULTADOS
Para la interpretación visual de los resultados,
mostramos mapas térmicos en un conjunto
de imágenes sintéticas en 2D (solo para su
visualización). (Izquierda) Mapas térmicos del DIB-
DBT, (derecha) Datos reales - lesión cancerosa
confirmada por biopsia.
Profundice su MIRADA con
mamografías potenciadas con IA
Con la ayuda de nuestra IA, puede tomar la mejor decisión en
menos tiempo. Juntos, podemos ahorrar más tiempo, ahorrar
costos y salvar vidas.
Asociarse con nosotros
Recibimos con agrado las asociaciones de investigación y otras colaboraciones con instituciones médicas,
proveedores de atención médica y empresas interesadas en implementar nuestro producto de software.
Actualmente, tenemos más de 20 socios de investigación en todo el mundo a lo largo de los EE.UU., el Reino
Unido, China y Corea.
¡Esperamos que se comunique con nosotros!
Contacto
No dude en enviarnos un correo electrónico sobre cualquier consulta o pregunta.
www.lunit.io
ASOCIARSE CON NOSOTROS I 17
Socios corporativos
PERFECCIONAR LA INTELIGENCIA,
TRANSFORMAR LA MEDICINA.