Modelo de IA para clasificar el cáncer de mama a partir de imágenes de histopatología
Un estudio sobre algoritmos de inteligencia artificial para la clasificación del cáncer de mama a partir de imágenes de histopatología
El cáncer de mama, una enfermedad prevalente y potencialmente mortal, subraya la necesidad de una detección temprana y precisa para mejorar los resultados de los pacientes. El examen histopatológico tradicional, el estándar de oro actual para el diagnóstico, enfrenta limitaciones como la subjetividad y la baja eficiencia. En respuesta, esta investigación busca revolucionar el diagnóstico del cáncer de mama mediante el uso de técnicas de aprendizaje profundo para clasificar los tipos de cáncer de mama invasivos y no invasivos a partir de imágenes histopatológicas. Los cánceres no invasivos, como el CDIS y el CLIS, se limitan a los conductos lácteos o los lóbulos, mientras que los cánceres invasivos se propagan al tejido circundante y representan el 70 % de los casos, lo que a menudo conduce a peores resultados.
El modelo de IA propuesto tiene como objetivo mejorar la precisión y eficiencia del diagnóstico, superando los métodos manuales y proporcionando una solución escalable para diversos entornos sanitarios. Al automatizar el análisis de imágenes, el modelo busca democratizar la detección del cáncer, haciéndola accesible en poblaciones desatendidas y adaptable a diferentes recursos y equipos. En última instancia, esta investigación tiene como objetivo avanzar en la detección del cáncer de mama, mejorar la atención al paciente y contribuir a mejores resultados del tratamiento a nivel mundial.
Descripción general del estudio
Estado
Condiciones
Intervención / Tratamiento
Descripción detallada
El cáncer de mama, una enfermedad generalizada y potencialmente mortal, enfatiza la necesidad urgente de una detección temprana y precisa para mejorar los resultados de los pacientes. El marco de diagnóstico actual, caracterizado por el examen histopatológico manual, presenta inconvenientes inherentes como la subjetividad y el rendimiento limitado. En respuesta, nuestra investigación tiene como objetivo transformar el diagnóstico del cáncer de mama aprovechando técnicas computacionales avanzadas, en particular el aprendizaje profundo. El cáncer de mama se puede clasificar en dos subtipos principales: invasivo y no invasivo.
El cáncer de mama no invasivo, a menudo denominado cáncer de mama in situ, se caracteriza por células anormales confinadas dentro de los conductos galactóforos (carcinoma ductal in situ o CDIS) o lóbulos (carcinoma lobulillar in situ o CLIS) sin invadir los tejidos circundantes. Este tipo se considera una etapa temprana y, por lo general, no pone en peligro la vida por sí solo. Los cánceres de mama invasivos son aquellos que se diseminan desde el sitio original (ya sea los conductos lácteos o los lóbulos) al tejido mamario circundante. Estos constituyen aproximadamente el 70% de todos los casos de cáncer de mama y generalmente tienen un peor pronóstico en comparación con los subtipos in situ.
Las imágenes médicas de las mamas se pueden adquirir mediante diversas técnicas, como resonancias magnéticas, mamografías, ecografías, termografía, tomografía computarizada e histopatología. Entre estos enfoques, la prueba histopatológica sirve como estándar de oro para el diagnóstico clínico del cáncer.
El modelo de IA propuesto tiene como objetivo agilizar y mejorar el análisis de imágenes histopatológicas para la clasificación del cáncer de mama invasivo y no invasivo, superando los métodos convencionales y proporcionando un medio confiable para identificar regiones cancerosas. Esto promete mejorar significativamente la precisión y eficiencia del diagnóstico del cáncer de mama, satisfaciendo la necesidad urgente de soluciones confiables y escalables. Al automatizar el complejo proceso de análisis de imágenes histopatológicas del cáncer de mama, nuestro objetivo es democratizar el cribado, hacerlo más accesible y llegar a poblaciones desatendidas. Además, nuestro modelo va más allá de la innovación tecnológica; aborda cuestiones más amplias de accesibilidad y escalabilidad, particularmente en entornos de bajos ingresos. El enfoque de la investigación en la adaptación del dominio es crucial, ya que garantiza la precisión y confiabilidad del modelo en varios centros de salud. Esto implica tener en cuenta las diferencias en recursos, equipos y factores demográficos, lo que la convierte en una solución versátil y adaptable para diversos contextos.
En resumen, nuestra investigación no solo apunta a avanzar en la frontera tecnológica en el diagnóstico del cáncer de mama, sino que también busca impulsar un cambio transformador en accesibilidad, eficiencia y confiabilidad. Al desarrollar un modelo de IA que aborde los desafíos específicos de los métodos tradicionales, nuestro objetivo es lograr un impacto significativo en la detección del cáncer de mama, lo que en última instancia conducirá a una detección temprana, un tratamiento personalizado y mejores resultados para los pacientes en todo el mundo.
Tipo de estudio
Inscripción (Estimado)
Contactos y Ubicaciones
Estudio Contacto
- Nombre: Taufiq Hasan, PhD
- Número de teléfono: +8801817579844
- Correo electrónico: taufiq@bme.buet.ac.bd
Copia de seguridad de contactos de estudio
- Nombre: Samiha Jainab, B.Sc.
- Número de teléfono: +8801914556073
- Correo electrónico: jainab.samiha@gmail.com
Ubicaciones de estudio
-
-
-
Dhaka, Bangladesh, 1212
- Reclutamiento
- National Institute of Cancer Research & Hospital (NICRH)
-
Contacto:
- Farida Arjuman, FCPS, MCPS
- Número de teléfono: +8801715520165
- Correo electrónico: drarju35cmc@gmail.com
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
- Niño
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
Método de muestreo
Población de estudio
Descripción
Criterios de inclusión:
- Se pueden seleccionar como sujetos mujeres pacientes de cualquier edad.
- Personas dispuestas a participar en el cribado de cáncer de mama.
- Disponibilidad para examen de biopsia.
- Mujeres sin diagnóstico actual o previo de cáncer de mama.
- Disponibilidad de registros médicos relevantes para fines de confirmación y comparación.
Criterios de exclusión:
- Las mujeres embarazadas están excluidas debido a los posibles impactos en los resultados de las pruebas de detección y la necesidad de consideraciones especiales durante el embarazo.
- Se excluyen las personas con afecciones médicas graves o circunstancias que puedan hacer que el examen histopatológico sea inadecuado o inseguro.
- Se excluyen los pacientes con afecciones que podrían interferir con la precisión de los resultados de las pruebas de detección.
- Los exámenes de seguimiento no están incluidos en este estudio.
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
Cohortes e Intervenciones
Grupo / Cohorte |
Intervención / Tratamiento |
|---|---|
|
Mujeres que se someten a una biopsia por sospecha de crecimiento celular anormal en la mama
La cohorte incluye mujeres a las que se les ha realizado una biopsia debido a la sospecha de un crecimiento celular anormal en la mama. Esta cohorte captura una amplia gama de diagnósticos potenciales, incluidas afecciones benignas, cánceres de mama no invasivos (in situ) y cánceres de mama invasivos. A todos los participantes se les recolectan muestras histopatológicas para su análisis, que sirven como base para determinar la presencia y el tipo de crecimiento celular anormal. La cohorte se estudiará utilizando técnicas de aprendizaje profundo para clasificar las muestras de biopsia en categorías específicas (normal, benigna, in situ o invasiva), con el objetivo de mejorar la precisión diagnóstica y la eficiencia en la detección del cáncer de mama. Al centrarse en mujeres sometidas a una biopsia, este estudio tiene como objetivo abordar los desafíos de diagnóstico que se enfrentan al distinguir entre diversas anomalías del tejido mamario, contribuyendo a una detección más temprana y mejores resultados clínicos. |
Biopsia: Esta intervención implica la recolección de muestras de tejido mamario mediante un procedimiento de biopsia. Estas muestras se obtienen de mujeres sometidas a investigaciones para detectar un crecimiento celular inusual y se analizan para detectar posibles anomalías, incluidos cambios cancerosos benignos, in situ o invasivos. Mastectomía: Esta intervención se refiere a la extirpación quirúrgica del tejido mamario, que generalmente se realiza para tratar o prevenir la propagación del cáncer de mama. Puede implicar la extirpación total o parcial de la mama y se considera en casos de cáncer de mama invasivo o cáncer de mama no invasivo de alto riesgo. Histopatología: Esta intervención se centra en el examen microscópico de muestras de tejido mamario recolectadas mediante biopsia o mastectomía. El análisis histopatológico se realiza para evaluar anomalías celulares, determinar la presencia de cáncer y clasificar el tejido como benigno, in situ o invasivo, lo que proporciona la base para el diagnóstico y las decisiones de tratamiento. |
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Precisión del modelo de aprendizaje profundo al clasificar el tejido mamario como normal benigno, in situ o invasivo.
Periodo de tiempo: Medido en el momento del análisis de imágenes histopatológicas (dentro de 1 semana de la biopsia o mastectomía).
|
El resultado principal de este estudio es la precisión diagnóstica del modelo de aprendizaje profundo al clasificar imágenes histopatológicas de biopsias de mama en tres categorías: cáncer de mama benigno, in situ (no invasivo) e invasivo.
La precisión se medirá comparando las predicciones del modelo con los diagnósticos reales determinados por patólogos expertos.
|
Medido en el momento del análisis de imágenes histopatológicas (dentro de 1 semana de la biopsia o mastectomía).
|
Colaboradores e Investigadores
Patrocinador
Investigadores
- Investigador principal: Taufiq Hasan, PhD, Department of Biomedical Engineering, Bangladesh University of Engineering and Technology (BUET), Dhaka - 1205.
- Investigador principal: Farida Arjuman, FCPS, MCPS, Department of Histopathology, National Institute of Cancer Research and Hospital (NICRH)
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Actual)
Finalización primaria (Estimado)
Finalización del estudio (Estimado)
Fechas de registro del estudio
Enviado por primera vez
Primero enviado que cumplió con los criterios de control de calidad
Publicado por primera vez (Estimado)
Actualizaciones de registros de estudio
Última actualización publicada (Estimado)
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Más información
Términos relacionados con este estudio
Palabras clave
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- NICRH/IRB/2024/134
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .