Geralt/Pixabay
El aprendizaje profundo de inteligencia artificial (IA) combinado con datos de imágenes de pacientes está abriendo un nuevo mundo de posibilidades para los médicos clínicos y los investigadores, especialmente en neurociencia. Un nuevo estudio publicado en el Journal of Theoretical Biology demuestra cómo el aprendizaje profundo de IA puede predecir la progresión del tumor cerebral para el glioblastoma a partir de imágenes médicas para acelerar la medicina de precisión.
«Nuestro trabajo proporciona un método nuevo y fácilmente generalizable para la estimación de los parámetros tumorales específicos del paciente, que se puede utilizar para ayudar a los médicos a diseñar tratamientos personalizados», escribieron los investigadores del estudio afiliados a la Universidad de Waterloo, la Universidad de Toronto y Hospital de San Miguel en Toronto.
El cáncer más común que se origina en el cerebro es el glioblastoma, también conocido como glioblastoma multiforme (GBM). El glioblastoma es un tumor cerebral que surge de las células gliales que rodean y sostienen las neuronas. Es una de las formas de cáncer más resistentes al tratamiento, complejas y mortales. El glioblastoma es incurable y el tumor cerebral primario más común en adultos.
Las áreas más comunes donde se desarrolla el glioblastoma se encuentran en el lóbulo frontal y temporal, y rara vez en la médula espinal o el tronco encefálico, según el MD Anderson Cancer Center de la Universidad de Texas. La Clasificación de Tumores del Sistema Nervioso Central de la Organización Mundial de la Salud clasifica el glioblastoma en “Grado 4”. Es una enfermedad incurable con una supervivencia general pobre y una alta tasa de recurrencia, según el Centro Nacional de Información Biotecnológica. El cáncer de cerebro y del sistema nervioso representó más de 250.000 muertes en todo el mundo en 2020, según Global Cancer Statistics (GLOBOCAN).
Lo que distingue a este estudio de otros estudios oncológicos de IA es que los científicos tuvieron la rara oportunidad de utilizar datos de imágenes reales para un cáncer poco común para cinco tumores no tratados. Los participantes del estudio eran pacientes con glioblastoma que optaron por no recibir ninguna intervención o tratamiento en el momento del estudio.
“Como nuestro estudio tiene como objetivo caracterizar la progresión natural del tumor, un requisito para nuestros datos era que no se realizara ningún tratamiento contra el cáncer entre los tiempos de toma de imágenes para cada paciente”, escribieron los investigadores.
Los investigadores se propusieron crear un modelo de aprendizaje profundo que pueda estimar con precisión la progresión tumoral específica del paciente utilizando el modelo de proliferación-invasión (PI), un modelo matemático que se usa a menudo para caracterizar la progresión del glioblastoma.
El desarrollo de algoritmos de IA de alto rendimiento requiere conjuntos de datos masivos para entrenar el modelo para que puedan aprender las características de los datos. Encontrar grandes conjuntos de datos de entrenamiento para cánceres poco comunes y enfermedades raras es un desafío, especialmente cuando hay pronósticos desfavorables y expectativas de vida cortas. Para este estudio, los científicos utilizaron dos conjuntos de datos reales de progresión tumoral de imágenes de resonancia magnética (MRI) tomadas con varios meses de diferencia de cinco pacientes diagnosticados con glioblastoma.
Los investigadores utilizaron un conjunto de herramientas de código abierto que aplica el aprendizaje automático de IA para detectar los límites del tumor llamado software de iniciativa Federated Tumor Segmentation (FeTS) que fue desarrollado y mantenido por el Centro de Computación y Análisis de Imágenes Biomédicas de la Universidad de Pensilvania. Este kit de herramientas de IA utiliza algoritmos de aprendizaje profundo para su segmentación de tumores en cuatro categorías de tejido que consisten en no tumoral, proliferativo mejorado, edema peritumoral y necrótico. La especificidad de la clasificación ofrece ventajas sobre una clasificación binaria de tumor/no tumor que brinda a los investigadores información más rica para calcular la densidad de células tumorales.
El modelo de aprendizaje profundo de IA necesitaba la densidad de células tumorales en cada momento de obtención de imágenes para los datos de entrada. Un método popular para obtener la densidad de células tumorales a partir de imágenes depende de la imagen ADC. El coeficiente de difusión aparente (ADC, por sus siglas en inglés) mide la magnitud de la difusión de las moléculas de agua dentro del tejido que normalmente se calcula a partir de la resonancia magnética con imágenes ponderadas por difusión. Estudios previos no relacionados muestran que un valor bajo de ADC corresponde a un movimiento de fluido restringido y una celularidad tumoral alta: la cantidad de células en un tumor.
Educación Lecturas esenciales
La segmentación profunda de la IA permitió a los científicos derivar la celularidad del tumor a partir de la resonancia magnética multisecuencia con una incorporación más sofisticada de los datos ADC. Para probar su modelo de aprendizaje profundo, los científicos utilizaron tumores sintéticos creados computacionalmente.
“Dado que se conocen los verdaderos valores de los parámetros y la curva de crecimiento, podemos comparar las predicciones del aprendizaje profundo”, escribieron los investigadores.
Los resultados fueron que la IA predijo la celularidad con un alto grado de precisión, según los científicos. Los investigadores aplicaron el modelo de aprendizaje profundo de IA al conjunto de datos del paciente para crear un modelo que pueda predecir cómo progresa el glioblastoma si no se trata, una valiosa información de investigación. Con esta prueba de concepto, los próximos pasos son extender el algoritmo para predecir la progresión del glioblastoma que incluye el tratamiento del cáncer, donde hay mucho más conjuntos de datos grandes disponibles para entrenar el modelo.
“Este método permite predicciones más precisas y personalizadas del crecimiento tumoral y la posible respuesta al tratamiento que las que serían posibles de otro modo, lo que claramente tiene una utilidad teórica y clínica”, informaron los investigadores. “Una ventaja particular de este método es que requiere datos solo del paciente sobre el que se hacen las predicciones. Esto evita el principal obstáculo de requerir un gran conjunto de datos existente que comúnmente afecta la aplicación de modelos de aprendizaje automático a problemas en medicina”.
Copyright © 2023 Cami Rosso. Todos los derechos reservados.
Comentarios recientes