La radioterapia es uno de los tratamientos contra el cáncer más utilizados. pero un inconveniente del procedimiento es que puede causar daño colateral al tejido sano en las proximidades de crecimientos cancerosos. La identificación de órganos en riesgo mediante tomografías computarizadas es un proceso difícil y laborioso, pero los científicos informáticos de la UCI y los investigadores de otras instituciones han desarrollado una técnica automatizada para realizar esta función utilizando un algoritmo de aprendizaje profundo. Su trabajo fue publicado recientemente en Inteligencia de la máquina de la naturaleza .

"Con nuestro modelo, es posible delinear un escaneo completo en unos pocos segundos, una tarea que llevaría a un experto humano más de media hora, "dijo el coautor Xiaohui Xie, Catedrático de informática de la UCI. "En un conjunto de datos de 100 tomografías computarizadas, nuestro método de aprendizaje profundo logró un coeficiente de similitud promedio de más del 78 por ciento, una mejora significativa con respecto a los análisis realizados por oncólogos radioterapeutas ".

Los investigadores se centraron en la cabeza y el cuello para su estudio debido a las complejas estructuras anatómicas y la densa distribución de los órganos en esta parte del cuerpo. También, La irradiación involuntaria de tejidos sensibles en esta área puede provocar efectos secundarios adversos como dificultad para abrir la boca, deterioro de la visión y la audición, y deterioro cognitivo. Xie dijo que el éxito del enfoque de su equipo se puede atribuir al diseño de dos etapas del modelo.

Primero, el sistema identifica regiones que contienen órganos vitales, y luego extrae características de la imagen de estas áreas focales. "Nuestra red neuronal de aprendizaje profundo mejora en gran medida la capacidad de delinear anatomías incluso con tomografías computarizadas de bajo contraste, ", Dijo Xie." Y la configuración es más eficiente computacionalmente que otros métodos, lo que permite hacerlo con niveles más estándar de memoria de la unidad de procesamiento de gráficos. Esto significa que la técnica se puede implementar más fácilmente en clínicas reales ”. Sus colaboradores eran de la Facultad de Medicina de la Universidad Jiao Tong de Shanghai de China y de DeepVoxel Inc. de Costa Mesa.