MADRID 21 May. (EUROPA PRESS) -
Aprendizaje profundo, una forma de inteligencia artificial, fue capaz de detectar nódulos pulmonares malignos en tomografías computarizadas de tórax de baja dosis (LDCT, por sus siglas en inglés) con un desempeño similar o superior al de expertos radiólogos, informa un nuevo estudio de Google y la Universidad Northwestern, en Estados Unidos.
Este sistema de aprendizaje profundo proporciona un sistema automatizado de evaluación de imágenes para mejorar la precisión del diagnóstico temprano de cáncer de pulmón que podría conducir a un tratamiento más temprano. El sistema de aprendizaje profundo se comparó con radiólogos en LDCT en pacientes, algunos de los cuales tenían biopsia confirmada de cáncer dentro de un año. En la mayoría de las comparaciones, el modelo funcionó igual o mejor que los radiólogos.
El aprendizaje profundo es una técnica que enseña a los ordenadores a aprender con el ejemplo. El sistema de aprendizaje profundo también produjo menos falsos positivos y menos falsos negativos, lo que podría llevar a menos procedimientos de seguimiento innecesarios y menos tumores perdidos, si se utilizara en un entorno clínico, según los autores del trabajo, que se publica este lunes en 'Nature Medicine'.
"Los radiólogos generalmente examinan cientos de imágenes bidimensionales o 'cortes' en una sola tomografía computarizada, pero este nuevo sistema de aprendizaje automático ve los pulmones en una imagen tridimensional única y enorme", destaca el coautor del estudio, el doctor Mozziyar Etemadi, profesor asistente de investigación de Anestesiología en la Facultad de Medicina Feinberg de la Universidad Northwestern y de Ingeniería en la Escuela de Ingeniería McCormick.
"La IA en 3D puede ser mucho más sensible en su capacidad para detectar el cáncer de pulmón temprano que el ojo humano al ver imágenes en 2D. Esto es técnicamente '4D' porque no solo se trata de una tomografía computarizada, sino de dos (la actual y escaneo previo) con el tiempo. Para construir la IA para ver los TC de esta manera, se necesita un enorme sistema informático de escala Google. El concepto es novedoso, pero su ingeniería real también es novedosa debido a la escala", subraya.
Etemadi lidera su equipo de investigación mientras que también se encuentra en el entrenamiento de residencia en Anestesiología en Northwestern como parte de una pista de investigación de residencia única. El doble papel de Etemadi permite que la investigación en su laboratorio atraviese los límites tecnológicos y de comunicaciones entre la asistencia sanitaria y la ingeniería. Su laboratorio se basa en una de las unidades de cuidados intensivos en el 'Northwestern Memorial Hospital' para permitir una comunicación fluida entre ingenieros y enfermeras, médicos y otros proveedores de atención.
"Esta área de investigación es increíblemente importante, ya que el cáncer de pulmón tiene la tasa más alta de mortalidad entre todos los cánceres, y hay muchos desafíos en cuanto a la adopción generalizada de la detección del cáncer de pulmón --dice Shravya Shetty, líder técnico de Google--. Nuestro trabajo examina las formas en que se puede utilizar la inteligencia artificial para mejorar la precisión y optimizar el proceso de selección, de manera que pueda ayudar con la implementación de los programas de detección. Los resultados son prometedores, y esperamos continuar nuestro trabajo con socios y colegas".
El cáncer de pulmón es la causa más común de muerte relacionada con el cáncer en Estados Unidos, lo que da como resultado un estimado de 160.000 muertes en 2018. Grandes ensayos clínicos en Estados Unidos y Europa han demostrado que las pruebas de detección de tórax pueden identificar el cáncer y reducir las tasas de mortalidad. Sin embargo, las altas tasas de error y el acceso limitado a estas pruebas de detección significan que generalmente se detectan muchos cánceres de pulmón en etapas avanzadas, cuando son difíciles de tratar.
IDENTIFACIÓN DE ÁREAS DE INTERÉS Y ZONAS CON ALTA PROBABILIDAD DE CÁNCER
El sistema de aprendizaje profundo utiliza tanto la TC primaria como, cuando esté disponible, una TC previa del paciente como entrada. Las tomografías computarizadas previas son útiles para predecir el riesgo de neoplasia maligna por cáncer de pulmón porque la tasa de crecimiento de nódulos pulmonares sospechosos puede ser indicativo de neoplasia maligna. Se entrenó el ordenador empleando tomografías computarizadas de tórax de baja dosis confirmadas por biopsia y totalmente identificadas.
El nuevo sistema identifica tanto una región de interés como si el área presenta una alta probabilidad de cáncer de pulmón. El modelo superó a los seis radiólogos cuando no se disponía de imágenes de TC anteriores y funcionó igual de bien que los radiólogos cuando había imágenes anteriores. "El sistema puede clasificar una lesión con más especificidad. No solo podemos diagnosticar mejor a una persona con cáncer, también podemos decir si alguien no tiene cáncer, lo que podría salvarlo de una biopsia pulmonar invasiva, costosa y de riesgo", dice Etemadi.
Los científicos de Google desarrollaron el modelo de aprendizaje profundo y lo aplicaron a 6,716 conjuntos de tomografías computarizadas sin identificar provistos por Northwestern Medicine para validar la exactitud. Y de su nuevo sistema. Los científicos encontraron que el sistema de inteligencia artificial podía detectar nódulos pulmonares malignos a veces minúsculos con un AUC modelo de 0,94 casos de prueba. Los casos se extrajeron del Northwestern Electronic Data Warehouse y de otras fuentes de datos de Northwestern Medicine, como resultado de un software complejo y altamente personalizado diseñado por el equipo de Etemadi.
"La mayoría del software que utilizamos como clínicos está diseñado para la atención del paciente, no para la investigación --dice Etemadi--. Nos costó más de un año de esfuerzo dedicado por parte de todo mi equipo extraer y preparar datos para ayudar con este proyecto emocionante. La capacidad de colaborar con científicos de clase mundial en Google, utilizando sus capacidades informáticas sin precedentes para crear algo con el potencial de ahorrar decenas de miles de vidas al año es verdaderamente un privilegio".
Los investigadores advierten que estos hallazgos deben validarse clínicamente en grandes poblaciones de pacientes, pero consideran que este modelo puede ayudar a mejorar el manejo y los resultados de los pacientes con cáncer de pulmón.
