Usan de inteligencia artificial para predecir el riesgo de cáncer de tiroides

Publicado 25/10/2019 7:22:43CET
Imagen al microscopio de células de cáncer de tiroides, específicamente carcinoma papilar de tiroides, o PTC.
Imagen al microscopio de células de cáncer de tiroides, específicamente carcinoma papilar de tiroides, o PTC. - WENDONG YU / BAYLOR COLLEGE OF MEDICINE.

MADRID, 25 Oct. (EUROPA PRESS) -

Un nuevo estudio del Sidney Kimmel Cancer Center-Jefferson Health investiga si un método no invasivo de imágenes por ultrasonido, combinado con un algoritmo de aprendizaje automático de la plataforma Google, podría usarse como una primera pantalla rápida y económica para conocer e riesgo de cáncer de tiroides, según publican en la revista 'JAMA-Oto'.

Los nódulos tiroideos son pequeños bultos que se forman dentro de la glándula tiroides y son bastante comunes en la población general, con una prevalencia de hasta el 67%. La gran mayoría de los nódulos tiroideos no son cancerosos y no causan síntomas. Sin embargo, actualmente hay pautas limitadas sobre qué hacer con un nódulo cuando el riesgo de cáncer es incierto.

"Actualmente, los ultrasonidos pueden decirnos si un nódulo parece sospechoso, y luego se toma la decisión de realizar una biopsia con aguja o no --explica Elizabeth Cottril, otorrinolaringóloga de la Universidad Thomas Jefferson y líder clínica del estudio--. Pero las biopsias con aguja fina solo actúan como una mirilla, no nos dan la imagen completa. Como resultado, algunas biopsias arrojan resultados no concluyentes sobre si el nódulo puede ser maligno o canceroso".

Si el examen de las células de una biopsia con aguja no es concluyente, la muestra se puede analizar más a través de diagnósticos moleculares para determinar el riesgo de malignidad. Estas pruebas buscan la presencia de ciertas mutaciones o marcadores moleculares asociados con cánceres tiroideos malignos.

Cuando los nódulos dan positivo para marcadores o mutaciones de alto riesgo, la tiroides puede extirparse quirúrgicamente. Sin embargo, los estándares sobre cuándo usar las pruebas moleculares aún están en desarrollo, y la prueba aún no se ofrece en todos los entornos de práctica, especialmente en hospitales más pequeños.

Con el fin de mejorar el poder predictivo del diagnóstico de primera línea, el ultrasonido, los investigadores de Jefferson analizaron el aprendizaje automático o los modelos de inteligencia artificial desarrollados por Google.

Estas aplicaciones se están utilizando en otros espacios: los gigantes minoristas como Urban Outfitters utilizan el aprendizaje automático para ayudar a clasificar sus muchos productos, lo que facilita al consumidor encontrar un artículo que le interesa. Disney lo utiliza para anotar sus productos en función de personajes o películas.

En este caso, los investigadores aplicaron un algoritmo de aprendizaje automático a las imágenes de ultrasonido de los nódulos tiroideos de los pacientes para ver si podían distinguir patrones distintivos.

"El objetivo de nuestro estudio era ver si el aprendizaje automático podía utilizar la tecnología de procesamiento de imágenes para predecir el riesgo genético de los nódulos tiroideos, en comparación con las pruebas moleculares", señala Kelly Daniels, estudiante de medicina de cuarto año en Jefferson y primer autor del estudio.

Los investigadores entrenaron el algoritmo en imágenes de 121 pacientes que se sometieron a una biopsia con aguja fina guiada por ultrasonido con pruebas moleculares posteriores. Del total de 134 lesiones, 43 nódulos se clasificaron como de alto riesgo y 91 se clasificaron como de bajo riesgo, según un panel de genes utilizados en las pruebas moleculares. Se usó un conjunto preliminar de imágenes con clasificaciones de riesgo conocidas para entrenar el modelo o algoritmo.

A partir de este banco de imágenes etiquetadas, el algoritmo utilizó tecnología de aprendizaje automático para seleccionar patrones asociados con nódulos de alto y bajo riesgo, respectivamente. Usó estos patrones para formar su propio conjunto de parámetros internos que podrían usarse para clasificar futuros conjuntos de imágenes; esencialmente se "entrenó" en esta nueva tarea.

"El aprendizaje automático es una herramienta eficiente y de bajo costo que podría ayudar a los médicos a tomar una decisión más rápida sobre cómo abordar un nódulo indeterminado --apunta John Eisenbrey, profesor asociado de radiología--. Nadie ha utilizado el aprendizaje automático en el campo de la estratificación del riesgo genético del nódulo tiroideo en la ecografía".

Los investigadores encontraron que su algoritmo funcionó con un 97% de especificidad y un 90% de valor predictivo positivo, lo que significa que el algoritmo leerá el ultrasonido como "benigno" al 97% de los pacientes que realmente tienen nódulos benignos, y el 90% de malignos o "positivo".

"Los nódulos son verdaderamente positivos según la clasificación del algoritmo. La alta especificidad es indicativa de una baja tasa de falsos positivos; Esto significa que si el algoritmo lee un nódulo como "maligno", es muy probable que sea verdaderamente maligno. La precisión general del algoritmo fue del 77,4%", añade.

"Esta fue una colaboración tan importante de cirujanos y radiólogos, y ya hay interés de otras instituciones para agrupar nuestros recursos. Cuantos más datos alimentemos el algoritmo, más fuerte y más predictivo esperamos que sea", señala el doctor Cottril.

"Hay tantas aplicaciones potenciales del aprendizaje automático
--continúa el doctor Eisenbrey--. En el futuro nos gustaría utilizar la extracción de características, que nos ayudará a identificar características anatómicamente relevantes de los nódulos de alto riesgo".

Aunque preliminar, el estudio sugiere que el aprendizaje automático automatizado es prometedor como una herramienta de diagnóstico adicional que podría mejorar la eficiencia de los diagnósticos de cáncer de tiroides. Una vez que se vuelve más robusto, el enfoque podría brindar a los médicos y pacientes más información para decidir si es necesaria la extirpación del lóbulo tiroideo.

Contador

Para leer más