Desarrollan un programa de IA que predice el riesgo de cáncer de pulmón

Archivo - Cáncer de pulmón
Archivo - Cáncer de pulmón - ATS - Archivo
Publicado: miércoles, 19 mayo 2021 7:19

MADRID, 19 May. (EUROPA PRESS) -

Un programa de inteligencia artificial (IA) predice con precisión el riesgo de que los nódulos pulmonares detectados en la tomografía computarizada de cribado se vuelvan cancerosos, según un estudio publicado en la revista 'Radiology'.

El cáncer de pulmón es la principal causa de muerte por cáncer en todo el mundo, con una estimación de 1,8 millones de muertes en 2020, según la Organización Mundial de la Salud. La tomografía computarizada de tórax de baja dosis se utiliza para examinar a las personas con alto riesgo de cáncer de pulmón, como los fumadores de larga data.

Se ha demostrado que reduce significativamente la mortalidad por cáncer de pulmón, principalmente porque ayuda a detectar los cánceres en una fase temprana, cuando es más fácil tratarlos con éxito.

Aunque el cáncer de pulmón suele aparecer en forma de nódulos pulmonares en las imágenes de TC, la mayoría de los nódulos son benignos y no requieren más estudios clínicos. Por tanto, distinguir con precisión entre nódulos benignos y malignos es crucial para detectar los cánceres a tiempo.

Para el nuevo estudio, los investigadores desarrollaron un algoritmo para la evaluación de nódulos pulmonares utilizando el aprendizaje profundo, una aplicación de IA capaz de encontrar ciertos patrones en los datos de imágenes.

Los investigadores entrenaron el algoritmo en imágenes de TC de más de 16.000 nódulos, incluyendo 1.249 malignos, del National Lung Screening Trial, de Estados Unidos. Validaron el algoritmo en tres grandes conjuntos de datos de imágenes de nódulos del ensayo danés de cribado de cáncer de pulmón.

El algoritmo de aprendizaje profundo ofreció excelentes resultados, superando el modelo establecido de detección temprana del cáncer de pulmón pancanadiense para la estimación del riesgo de malignidad de los nódulos pulmonares. Tuvo un rendimiento comparable al de 11 clínicos, incluidos cuatro radiólogos torácicos, cinco residentes de radiología y dos neumólogos.

"El algoritmo puede ayudar a los radiólogos a estimar con precisión el riesgo de malignidad de los nódulos pulmonares --explica el primer autor del estudio, Kiran Vaidhya Venkadesh, candidato a doctor en el Grupo de Análisis de Imágenes de Diagnóstico del Centro Médico de la Universidad de Radboud, en Nijmegen (Países Bajos)--. Esto puede ayudar a optimizar las recomendaciones de seguimiento para los participantes en el cribado del cáncer de pulmón".

Según los investigadores, el algoritmo puede aportar varias ventajas adicionales a la clínica. "Como no requiere la interpretación manual de las características de las imágenes de los nódulos, el algoritmo propuesto puede reducir la importante variabilidad entre observadores en la interpretación de la TC", añade el autor principal Colin Jacobs, profesor asistente en el Departamento de Imágenes Médicas en el Centro Médico de la Universidad de Radboud.

"Esto puede conducir a un menor número de intervenciones diagnósticas innecesarias, disminuir la carga de trabajo de los radiólogos y reducir los costes del cribado del cáncer de pulmón", asegura.

Los investigadores planean seguir mejorando el algoritmo incorporando parámetros clínicos como la edad, el sexo y el historial de tabaquismo.

También están trabajando en un algoritmo de aprendizaje profundo que toma como entrada múltiples exámenes de TC. El algoritmo actual es muy adecuado para analizar los nódulos en el cribado inicial, o de referencia, pero para los nódulos detectados en cribados posteriores, el crecimiento y la apariencia en comparación con el TAC anterior son importantes.

El doctor Jacobs y sus colegas han desarrollado otros algoritmos para extraer de forma fiable características de imagen de la TC de tórax relacionadas con enfermedades pulmonares obstructivas crónicas y enfermedades cardiovasculares. Investigarán cómo integrar eficazmente estas características de imagen en el algoritmo actual.

Leer más acerca de: