Video Experimental Relacionado
Updated: Sep 9, 2025
07:15
Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K
Desarrollo y evaluación de modelos de aprendizaje profundo para detectar y clasificar diversos tumores óseos en
Masashi Yamana1,2, Ryoma Bise2, Makoto Endo1
1Department of Orthopaedic Surgery, Graduate School of Medical Sciences, Kyushu University, Fukuoka, Japan.
Bone & joint research
|September 1, 2025
Resumen
Un modelo de aprendizaje profundo llamado Detection with transformers with Improved deNoising anchOr boxes (DINO) muestra una detección mejorada de tumores óseos en comparación con YOLO. DINO puede ayudar a los médicos a detectar y clasificar con precisión los tumores óseos en las radiografías.
Área de la Ciencia:
- Oncología ortopédica
- Radiología
- Inteligencia artificial en la medicina
Sus antecedentes:
- La detección y clasificación precisas de los tumores óseos a partir de las radiografías son cruciales para el tratamiento del paciente.
- Los procesos de diagnóstico actuales dependen en gran medida de la interpretación de expertos, que puede llevar mucho tiempo y estar sujeto a la variabilidad entre los observadores.
Objetivo del estudio:
- Desarrollar y evaluar un modelo de aprendizaje profundo totalmente automatizado para detectar y clasificar tumores óseos benignos y malignos en radiografías de extremidades.
- Comparar el rendimiento de clasificación del modelo automatizado con el de los oncólogos ortopédicos y los cirujanos ortopédicos generales.
Principales métodos:
- Se realizó un análisis retrospectivo de 642 tumores óseos de las extremidades de tres instituciones.
- Se utilizaron modelos de detección de objetos de extremo a extremo, detección con transformadores con cajas de desactivación de ruido mejoradas (DINO) y You Only Look Once (YOLO).
- Se utilizó la validación cruzada de cinco veces para el entrenamiento del modelo, la optimización de parámetros y la evaluación del rendimiento.
Principales resultados:
- El modelo DINO logró una tasa media de detección de tumores más alta (85,7%) que el modelo YOLO (80,1%).
- DINO demostró una precisión y sensibilidad significativamente mayores en comparación con los cirujanos ortopédicos generales.
- El modelo DINO clasificó con éxito casos difíciles clasificados erróneamente por múltiples clínicos, aunque se produjeron errores con tumores diagnosticadamente difíciles o inusualmente ubicados.
Conclusiones:
- El modelo DINO supera a YOLO en la detección automática de tumores óseos.
- Este enfoque de aprendizaje profundo muestra potencial para ayudar a los médicos en la detección y clasificación de tumores óseos en la práctica clínica.
