MADRID, 29 Abr. (EUROPA PRESS) -
La interpretación de escáneres cerebrales asistida por Inteligencia Artificial (IA) puede ayudar a mejorar la atención a niños con tumores cerebrales llamados gliomas, que suelen ser tratables, pero cuyo riesgo de recurrencia varía, según investigadores del Hospital General de Massachusetts (Mass General Brigham) y colaboradores del Hospital Infantil de Boston (Boston Children's) y del Centro de Cáncer y Trastornos de la Sangre del Hospital Infantil Dana-Farber/Boston, todos ellos en Estados Unidos.
Entrenamiento de algoritmos de aprendizaje profundo
Para comprobar esta cuestión, los investigadores entrenaron algoritmos de aprendizaje profundo para analizar escáneres cerebrales secuenciales posteriores al tratamiento e identificar a los pacientes con riesgo de recurrencia del cáncer. Sus resultados se publican en 'The New England Journal of Medicine AI'.
"Muchos gliomas pediátricos son curables solo con cirugía, pero cuando se producen recaídas, estas pueden ser devastadoras", subraya el autor correspondiente, el doctor Benjamin Kann, del Programa de Inteligencia Artificial en Medicina (AIM) del Hospital General de Massachusetts (Mass General Brigham) y del Departamento de Oncología Radioterápica del Hospital Brigham and Women's.
"Es muy difícil predecir quiénes podrían estar en riesgo de recurrencia, por lo que los pacientes se someten a seguimientos frecuentes con resonancia magnética (RM) durante muchos años, un proceso que puede ser estresante y oneroso para los niños y sus familias. Necesitamos mejores herramientas para identificar de forma temprana qué pacientes tienen el mayor riesgo de recurrencia".
Colaboración y recopilación de datos
Los estudios de enfermedades relativamente raras, como los cánceres pediátricos, pueden verse obstaculizados por la escasez de datos. Este estudio, financiado en parte por los Institutos Nacionales de Salud, aprovechó colaboraciones institucionales en todo el país para recopilar cerca de 4000 resonancias magnéticas de 715 pacientes pediátricos.
Aplicación del aprendizaje temporal
Para maximizar lo que la IA podía "aprender" de las resonancias magnéticas de un paciente y predecir con mayor precisión la recurrencia, los investigadores emplearon una técnica llamada aprendizaje temporal, que entrena al modelo para sintetizar los hallazgos de múltiples resonancias magnéticas realizadas durante varios meses después de la cirugía.
Normalmente, los modelos de IA para imágenes médicas se entrenan para extraer conclusiones a partir de exploraciones individuales. Con el aprendizaje temporal, que no se ha utilizado previamente en la investigación de IA para imágenes médicas, las imágenes adquiridas a lo largo del tiempo informan al algoritmo sobre la predicción de la recurrencia del cáncer.
Desarrollo del modelo de aprendizaje temporal
Para desarrollar el modelo de aprendizaje temporal, los investigadores primero entrenaron el modelo para secuenciar las resonancias magnéticas posoperatorias de un paciente en orden cronológico, de modo que el modelo pudiera aprender a reconocer cambios sutiles. A partir de ahí, los investigadores perfeccionaron el modelo para asociar correctamente los cambios con la recurrencia posterior del cáncer, cuando fuera necesario.
Resultados y precisión del modelo
Finalmente, los investigadores descubrieron que el modelo de aprendizaje temporal predijo la recurrencia de gliomas de bajo o alto grado al año del tratamiento, con una precisión del 75-89 %, sustancialmente mejor que la precisión asociada con las predicciones basadas en imágenes individuales, que se situó en aproximadamente el 50% (igual que la del azar). Proporcionar a la IA imágenes de más puntos temporales después del tratamiento aumentó la precisión de la predicción del modelo, pero solo se necesitaron de cuatro a seis imágenes para que esta mejora se estancara.
Validación y futuros ensayos clínicos
Los investigadores advierten que es necesaria una mayor validación en otros entornos antes de la aplicación clínica. Finalmente, esperan iniciar ensayos clínicos para comprobar si las predicciones de riesgo basadas en IA pueden mejorar la atención médica, ya sea reduciendo la frecuencia de las imágenes para los pacientes con menor riesgo o tratando preventivamente a los pacientes de alto riesgo con terapias adyuvantes dirigidas.
Aplicaciones futuras de la IA
"Hemos demostrado que la IA es capaz de analizar y realizar predicciones eficazmente a partir de múltiples imágenes, no solo de exploraciones individuales", recalca el primer autor, Divyanshu Tak, del Programa AIM del Mass General Brigham y del Departamento de Oncología Radioterapéutica del Brigham. "Esta técnica puede aplicarse en muchos entornos donde los pacientes reciben imágenes longitudinales seriadas, y estamos entusiasmados por ver qué inspirará este proyecto".
