Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Inteligencia artificial para detectar el cáncer de mama

107 views

Published on

El cáncer de mama es el tipo de cáncer más común entre mujeres y el segundo tipo de cáncer más común, siendo uno de las principales causas de muerte de las mujeres a nivel global. Sin embargo, la probabilidad de curación cuando éste es detectado en estados iniciales, es prácticamente del 100%. La Inteligencia Artificial (IA) puede ser una gran aliada para agilizar el diagnóstico reduciendo eficazmente tanto los tiempos de espera como el número de biopsias necesarias, aumentando de esta forma las probabilidades de curación. En esta charla veremos cómo. ¿Te lo vas a perder?

Published in: Technology
  • Now there's no need for painful and expensive surgery, you can just find out the natural enlargement method on the web page here... ➢➢➢ https://dwz1.cc/iZqgQnlK
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
  • I wanted to tell you about my experience with this breast enlargement guide. I'm 24 years old and I've spent pretty much my whole life wishing I had slightly larger breasts. I'm normally a size A, I'd love to be a size B, especially when I wear certain kinds of low cut tops. I have a good figure, and I like what I have, but every now and then I would like a little bit more. Well, it's actually working! There is a noticeable difference in the size of my breasts! It's only been 10 days, and they say that the true final results won't appear until about the 4-6 month time frame, but based on what I can see, there's definitely a difference. My breasts are standing out more, and they are fuller and rounder. Sometimes I am able to go out without a bra, now I can't. And I have a feeling that I might have to actually buy new bras if the growth continues. I'm looking forward to seeing how the next month goes. There might actually be a size B in my future! ➢➢➢ https://t.cn/A6Li7eze
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
  • Works For Teens! Hey, I'm only 18 and I thought I was going to have small boobs forever. After using your book for about 2 weeks, I started seeing results! I then used it for another month and I managed to get my breasts up to a C cup (with padding). I'm so pleased and I'm getting a lot more attention from boys now! Thanks you ▲▲▲ https://t.cn/A6Li7dmy
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
  • Be the first to like this

Inteligencia artificial para detectar el cáncer de mama

  1. 1. IA para ayudar en la detección del cáncer de mama
  2. 2. O R G A N I Z A T I O N P L A T I N U M S P O N S O R S Thank you! C O L L A B O R A T O R S
  3. 3. Rather than thinking of terms of human VS machine, we want to focus on how human gifts such as creativity, empathy, emotion, physicality and insight can be mixed with powerful AI computation […] to help move society forward Satya Nadella
  4. 4. @sara_sanluis sluis@plainconcepts.com Sara San Luís Rodríguez Software Development Engineer @danysolism dsolis@plainconcepts.com Daniela Solís Morales Software Development Engineer
  5. 5. El cáncer de mama es el más común entre mujeres y el segundo más común en el mundo American Institute for Cancer Research
  6. 6. El diagnóstico y el tratamiento temprano juegan un papel importante a la hora de reducir la tasa de mortalidad
  7. 7. Medio lateral oblicuo derecho (R-MLO) Medio lateral oblicuo izquierdo (L-MLO) Cráneo-caudal derecho (R-CC) Cráneo-caudal izquierdo (L-CC) ¿Cómo son las mamografías?
  8. 8. • Tarea complicada que requiere muchos años de práctica y estudio. • Los oncólogos se apoyan en sistemas de detección asistida por computadora para realizar los diagnósticos (CAD). • Los diagnósticos dados por distintos oncólogos para un mismo paciente difieren mucho. • No permite asignar un nivel de riesgo a la patología detectada. Detección del cáncer de mama
  9. 9. BI-RADS: Breast Imaging Reporting and Data System 0 Insuficiente, necesita evaluación adicional 1 Negativa, no hay tumor, nodos linfáticos ni calcificaciones 2 Mamografía negativa con hallazgos benignos 3 Resultado probablemente benigno, pero que necesita un control en 6 meses 4 Resultado dudoso (hallazgo maligno), requiere confirmación 5 Alta sospecha de hallazgo maligno, requiere biopsia para confirmación 6 Hallazgo maligno confirmado por biopsia • Estandarización de los informes de mamografía • Reducción del riesgo de interpretación • Facilita la comparación de resultados • Permite asignar nivel de riesgo
  10. 10. IA en el sector sanitario • Emplear la IA para transformar la medicina • Crear tecnología que ayude a los doctores a asistir mejor a los pacientes
  11. 11. ¿Por qué no utilizar estas técnicas en medicina?
  12. 12. Identificación del problema Fuentes de datos Preprocesamiento EntrenamientoValidación Modelo Ajuste hiperparámetros Re-entrenamiento Despliegue ¿Cómo se trabaja en IA? ML/DL Engineer Developers Data Engineer
  13. 13. ¿Cómo trabajamos con imágenes en IA? • Las imágenes se interpretan como matrices • Cada pixel tiene un valor numérico que corresponde a su intensidad
  14. 14. ¿Cómo trabajamos con imágenes en IA? • El estándar utiliza valores entre 0 y 255 para indicar el valor de intensidad del pixel • Escala de grises 0 negro 255 blanco • RGB 0-255 por cada canal (rojo, verde, azul)
  15. 15. Desafíos • Pocos datos • Necesidad de alta resolución • Cada examen consta de cuatro imágenes
  16. 16. Naturaleza de los datos
  17. 17. Desafíos • Pocos datos • Necesidad de alta resolución • Cada examen consta de cuatro imágenes
  18. 18. Solución • Clasificación en una de las cuatro vistas • Clasificación de la imagen en BI-RADS
  19. 19. Datos • Distribución natural y no controlada • Datos representativos de la población de Nueva York • Un total de 129,208 pacientes 15% Hispánicas 50% Caucásicas 30% Afroamericanas 5% Asiáticas ¿Cómo son nuestros datos?
  20. 20. CNN • Recibe una imagen y devuelve la probabilidad condicional • Capas convolucionales y de pooling • Extracción de características y clasificación ¿Qué modelo vamos a usar?
  21. 21. Convolución • Nos permite extraer características importantes de las imágenes • Cada capa extrae distintas características: • Bajo nivel: aristas, colores, etc. • Alto nivel: comprensión integral de la imagen
  22. 22. Pooling • Nos permite reducir el tamaño espacial de las características detectadas en la convolución • Permite reducir la capacidad computacional necesaria para procesar los datos. • Selecciona las características dominantes de entre las seleccionadas por el convolución
  23. 23. Tratamiento • Data augmentation • División en conjunto de entrenamiento (80%), validación (10%) y test (10%) • Normalización de imágenes • Recorte de imágenes Tratamiento de los datos
  24. 24. Clasificación de las vistas • Evitar errores humanos • Red neuronal convolucional VGG-16, AlexNet. • Permite a los oncólogos centrarse en analizar las imágenes en vez de en taggearlas R-MLO L-MLO R-CC L-CC
  25. 25. Clasificación del BI-RADS • Entrada conjunto de vistas de un examen • Dos etapas: extracción de características y clasificación • Imágenes de alta resolución
  26. 26. (R-MLO) (L-MLO) (R-CC) (L-CC) Primera etapa • Capas convolucionales y de pooling agresivas para cada una de las vistas del examen • Parámetros de la red son ajustados para minimizar la pérdida de información durante el entrenamiento
  27. 27. L-MLO R-MLO R-CC L-CC DCN Concatenation DCN DCN DCN Fullyconnectedlayer Classifier Segunda etapa • Las capas que obtienen información de cada vista son concatenadas para formar un vector. • El vector es la entrada a una capa fully connected seguido de una función softmax que realiza la clasificación. BI-RADS 0 BI-RADS 1 BI-RADS 2
  28. 28. ¿Podemos fiarnos del modelo? Husky vs Lobo Interpretación del modelo • El modelo es una caja negra • No saber en qué se basa el modelo es arriesgado
  29. 29. Interpretación • Se compara la asignación de BIRADS con el área donde la donde la CNN basa su predicción • Posibilidad de calcular la confianza de la red en la predicción • No requiere entrenamiento • Cálculo de la entropía H(y|x) = - p(y’|x)log(p(y’|x) Y’ C∈
  30. 30. Performance • La métrica empleada fue el macAUC • Comparativa entre oncólogos y el modelo • Los mejores resultados se obtienen combinando las predicciones del modelo con el conocimiento de los oncólogos.
  31. 31. Demo
  32. 32. Gràcies / Thank you and … See you soon! Thanks also to the sponsors. Without whom this would not have been posible. O R G A N I Z A T I O N P L A T I N U M S P O N S O R S C O L L A B O R A T O R S

×