Video Experimental Relacionado
Updated: Nov 6, 2025

Comparative Lesions Analysis Through a Targeted Sequencing Approach
Published on: November 5, 2019
La patología basada en IA predice los orígenes de cánceres de origen desconocido
Ming Y Lu1,2,3, Tiffany Y Chen1,2, Drew F K Williamson1,2
1Department of Pathology, Brigham and Women's Hospital, Harvard Medical School, Boston, MA, USA.
Un nuevo algoritmo de aprendizaje profundo, TOAD, puede identificar el origen de los tumores de cáncer utilizando diapositivas de histología. Esta herramienta ayuda en el diagnóstico de cánceres de origen desconocido (CUP) y tumores metastásicos, reduciendo potencialmente la complejidad del diagnóstico.
Área de la Ciencia:
- En el campo de la oncología
- Patología computacional
- La inteligencia artificial en la medicina
Sus antecedentes:
- El cáncer de origen primario desconocido (CUP) presenta desafíos de diagnóstico ya que las terapias a menudo son específicas del sitio.
- Los métodos actuales para determinar el origen del tumor, como la genómica, no son universalmente accesibles o clínicamente implementados, especialmente en entornos de bajos recursos.
- Las diapositivas de histología se obtienen de forma rutinaria, pero no se utilizan para la determinación del sitio primario en la CUP.
Objetivo del estudio:
- Desarrollar y validar un algoritmo de aprendizaje profundo para predecir el origen primario del tumor a partir de diapositivas de histología.
- Proporcionar un diagnóstico diferencial para tumores metastásicos y cánceres de origen desconocido (CUP).
- Ofrecer una herramienta alternativa o complementaria a los trabajos de diagnóstico tradicionales para la CUP.
Principales métodos:
- Desarrollo de un modelo de aprendizaje profundo llamado Tumour Origin Assessment via Deep Learning (TOAD).
- Entrenar al modelo en imágenes de diapositivas completas de tumores con orígenes primarios conocidos.
- Validación del modelo en conjuntos de ensayos mantenidos y externos, y en un conjunto de datos seleccionado de casos de CUP.
Principales resultados:
- El modelo TOAD logró una precisión top-1 de 0,83 y una precisión top-3 de 0,96 en su conjunto de pruebas internas.
- En un conjunto de prueba externo, el modelo demostró una precisión superior de 0,80 y una precisión superior de 0,93.
- Para 317 casos de CUP, el TOAD mostró un 61% de concordancia y un 82% de acuerdo con los tres diagnósticos diferenciales asignados.
Conclusiones:
- TOAD es una herramienta eficaz de aprendizaje profundo para predecir el origen del tumor primario a partir de diapositivas de histología.
- El algoritmo puede ayudar en el diagnóstico de tumores metastásicos y cánceres de origen desconocido (CUP).
- TOAD tiene el potencial de racionalizar los procesos de diagnóstico, reducir la dependencia de trabajos extensos y disminuir la ocurrencia de CUP.
Más Videos Relacionados
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
10:27Testing Targeted Therapies in Cancer using Structural DNA Alteration Analysis and Patient-Derived Xenografts
Published on: July 25, 2020