MADRID 6 Sep. (EUROPA PRESS) -
Los científicos de la Facultad de Medicina de Harvard (Estados Unidos) han diseñado un modelo de IA versátil, similar a ChatGPT, capaz de realizar una variedad de tareas de diagnóstico en múltiples formas de cáncer. El nuevo sistema de IA, descrito en 'Nature', va un paso más allá de muchos de los enfoques actuales de IA para el diagnóstico del cáncer, dijeron los investigadores.
Los sistemas de IA actuales suelen estar entrenados para realizar tareas específicas (como detectar la presencia de cáncer o predecir el perfil genético de un tumor) y tienden a funcionar solo en unos pocos tipos de cáncer. En cambio, el nuevo modelo puede realizar una amplia gama de tareas y se probó en 19 tipos de cáncer, lo que le otorga una flexibilidad similar a la de los grandes modelos de lenguaje como ChatGPT.
Si bien recientemente han surgido otros modelos básicos de IA para el diagnóstico médico basados en imágenes patológicas, se cree que este es el primero en predecir los resultados de los pacientes y validarlos en varios grupos de pacientes internacionales.
"Nuestra ambición era crear una plataforma de inteligencia artificial ágil y versátil similar a ChatGPT que pudiera realizar una amplia gama de tareas de evaluación del cáncer", apunta el autor principal del estudio Kun-Hsing Yu , profesor adjunto de informática biomédica en el Instituto Blavatnik de la Facultad de Medicina de Harvard. "Nuestro modelo resultó ser muy útil en múltiples tareas relacionadas con la detección, el pronóstico y la respuesta al tratamiento del cáncer en múltiples tipos de cáncer".
El modelo de IA, que funciona leyendo diapositivas digitales de tejidos tumorales, detecta células cancerosas y predice el perfil molecular de un tumor basándose en las características celulares observadas en la imagen con una precisión superior a la de la mayoría de los sistemas de IA actuales. Puede pronosticar la supervivencia del paciente en múltiples tipos de cáncer y señalar con precisión las características del tejido que rodea un tumor (también conocido como microambiente tumoral) que están relacionadas con la respuesta de un paciente a los tratamientos estándar, incluida la cirugía, la quimioterapia, la radiación y la inmunoterapia. Por último, dijo el equipo, la herramienta parece capaz de generar nuevos conocimientos: identificó características tumorales específicas que antes no se sabía que estuvieran vinculadas a la supervivencia del paciente.
Los hallazgos, dijo el equipo de investigación, se suman a la creciente evidencia de que los enfoques impulsados ??por IA pueden mejorar la capacidad de los médicos para evaluar los cánceres de manera eficiente y precisa, incluida la identificación de pacientes que podrían no responder bien a las terapias estándar contra el cáncer.
"Si se valida más y se implementa ampliamente, nuestro enfoque, y enfoques similares al nuestro, podrían identificar de manera temprana a los pacientes con cáncer que pueden beneficiarse de tratamientos experimentales dirigidos a ciertas variaciones moleculares, una capacidad que no está disponible de manera uniforme en todo el mundo", dijo Yu.
El último trabajo del equipo se basa en la investigación previa de Yu sobre sistemas de IA para la evaluación del cáncer de colon y los tumores cerebrales . Estos estudios anteriores demostraron la viabilidad del enfoque en tipos de cáncer específicos y tareas específicas.
El nuevo modelo, llamado CHIEF (Clinical Histopathology Imaging Evaluation Foundation), se entrenó con 15 millones de imágenes sin etiquetar divididas en secciones de interés. Luego, la herramienta se entrenó aún más con 60.000 imágenes de portaobjetos completos de tejidos, incluidos pulmón, mama, próstata, colon y recto, estómago, esófago, riñón, cerebro, hígado, tiroides, páncreas, cuello uterino, útero, ovario, testículo, piel, tejido blando, glándula suprarrenal y vejiga. Al entrenar el modelo para que observara tanto secciones específicas de una imagen como la imagen completa, le permitió relacionar cambios específicos en una región con el contexto general. Este enfoque, dijeron los investigadores, permitió a CHIEF interpretar una imagen de manera más holística al considerar un contexto más amplio, en lugar de centrarse solo en una región en particular.
Después de la capacitación, el equipo probó el rendimiento de CHIEF en más de 19.400 imágenes de diapositivas completas de 32 conjuntos de datos independientes recopilados de 24 hospitales y cohortes de pacientes en todo el mundo.
En general, CHIEF superó a otros métodos de inteligencia artificial de última generación en hasta un 36 por ciento en las siguientes tareas: detección de células cancerosas, identificación del origen del tumor, predicción de los resultados del paciente e identificación de la presencia de genes y patrones de ADN relacionados con la respuesta al tratamiento. Debido a su entrenamiento versátil, CHIEF funcionó igualmente bien sin importar cómo se obtuvieron las células tumorales, ya sea mediante biopsia o mediante escisión quirúrgica. Y fue igual de preciso, independientemente de la técnica utilizada para digitalizar las muestras de células cancerosas. Esta adaptabilidad, dijeron los investigadores, hace que CHIEF se pueda utilizar en diferentes entornos clínicos y representa un paso importante más allá de los modelos actuales que tienden a funcionar bien solo cuando leen tejidos obtenidos a través de técnicas específicas.
Asimismo, CHIEF logró una precisión de casi el 94 por ciento en la detección del cáncer y superó significativamente los enfoques de IA actuales en 15 conjuntos de datos que contenían 11 tipos de cáncer. En cinco conjuntos de datos de biopsia recopilados de cohortes independientes, CHIEF logró una precisión del 96 por ciento en múltiples tipos de cáncer, incluidos el de esófago, estómago, colon y próstata. Cuando los investigadores probaron CHIEF en portaobjetos nunca antes vistos de tumores extirpados quirúrgicamente de colon, pulmón, mama, endometrio y cuello uterino, el modelo funcionó con una precisión de más del 90 por ciento.
Según los investigadores, la identificación rápida de patrones celulares en una imagen que sugieran aberraciones genómicas específicas podría ofrecer una alternativa rápida y rentable a la secuenciación genómica. Los investigadores añaden que planean perfeccionar el rendimiento de CHIEF y aumentar sus capacidades mediante la realización de formación adicional sobre imágenes de tejidos de enfermedades raras y afecciones no cancerosas, incluyendo muestras de tejidos premalignos antes de que las células se vuelvan completamente cancerosas.
También planean exponer el modelo a más datos moleculares para mejorar su capacidad de identificar cánceres con diferentes niveles de agresividady entrenar al modelo para predecir también los beneficios y efectos adversos de nuevos tratamientos contra el cáncer, además de los tratamientos estándar.
