Algoritmo de IA identifica cáncer de pulmón en imágenes de TC en segundos

El cáncer de pulmón, el cáncer más común en todo el mundo, se trata con radioterapia (RT) en casi la mitad de los casos. La planificación de la RT es un proceso manual que requiere muchos recursos y que puede tardar días o semanas en completarse, e incluso los médicos altamente capacitados varían en sus determinaciones de cuánto tejido atacar con radiación. Además, se espera que aumente la escasez de médicos y clínicas de oncología radioterápica en todo el mundo a medida que aumenten las tasas de cáncer. Ahora, un algoritmo de aprendizaje profundo recientemente desarrollado y validado puede identificar y delinear (segmentar) un tumor de cáncer de pulmón de células no pequeñas (CPCNP) en una tomografía computarizada (TC) en segundos. Además, los oncólogos radioterápicos que usaron el algoritmo en clínicas simuladas se desempeñaron tan bien como los médicos que no usaron el algoritmo, mientras trabajaron un 65 % más rápido.

Investigadores del Hospital Brigham and Women's (Boston, MA, EUA) desarrollaron el algoritmo de aprendizaje profundo usando imágenes de TC de 787 pacientes para entrenar su modelo para distinguir tumores de otros tejidos. Probaron el rendimiento del algoritmo utilizando escaneos de más de 1.300 pacientes de conjuntos de datos cada vez más externos. El desarrollo y la validación del algoritmo implicó una estrecha colaboración entre los científicos de datos y los oncólogos radioterápicos. Por ejemplo, cuando los investigadores observaron que el algoritmo estaba segmentando incorrectamente las tomografías computarizadas que involucraban los ganglios linfáticos, volvieron a entrenar el modelo con más de estas exploraciones para mejorar su rendimiento.

Finalmente, los investigadores pidieron a ocho oncólogos de radiación que realizaran tareas de segmentación, así como que calificaran y editaran las segmentaciones producidas por otro médico experto o por el algoritmo (no se les dijo cuál). No hubo una diferencia significativa en el rendimiento entre las colaboraciones humano-IA y las segmentaciones producidas por humanos (de novo). Curiosamente, los médicos trabajaron un 65 % más rápido y con un 32 % menos de variación al editar una segmentación producida por IA en comparación con una producida manualmente, aunque no sabían cuál estaban editando. También calificaron la calidad de las segmentaciones dibujadas por IA más alto que las segmentaciones dibujadas por expertos humanos en este estudio ciego.

En el futuro, los investigadores planean combinar este trabajo con modelos de IA que diseñaron previamente que pueden identificar "órganos en riesgo" de recibir radiación no deseada durante el tratamiento del cáncer (como el corazón) y, por lo tanto, excluirlos de la radioterapia. Continúan estudiando cómo los médicos interactúan con la IA para garantizar que las asociaciones con IA ayuden, en lugar de dañar, la práctica clínica, y están desarrollando un segundo algoritmo de segmentación independiente que puede verificar tanto las segmentaciones humanas como las dibujadas por IA.

"La mayor brecha de traducción en las aplicaciones de IA a la medicina es la falta de estudio sobre cómo usar la IA para mejorar a los médicos humanos, y viceversa", dijo el autor correspondiente Raymond Mak, MD, del Departamento de Oncología Radioterápica de Brigham. “Estamos estudiando cómo hacer asociaciones y colaboraciones entre humanos e IA que tengan como efecto mejores resultados para los pacientes. Los beneficios de este enfoque para los pacientes incluyen una mayor consistencia en la segmentación de los tumores y tiempos acelerados de tratamiento. Los beneficios para los médicos incluyen una reducción del trabajo informático mundano pero difícil, lo que puede reducir el agotamiento y aumentar el tiempo que pueden pasar con los pacientes”.

“Este estudio presenta una estrategia de evaluación novedosa para modelos de IA que enfatiza la importancia de la colaboración humano-IA”, agregó el coautor Hugo Aerts, PhD, del Departamento de Oncología Radioterápica. “Esto es especialmente necesario porque las evaluaciones in silico (modeladas por computadora) pueden dar resultados diferentes a las evaluaciones clínicas. Nuestro enfoque puede ayudar a allanar el camino hacia el despliegue clínico".

Visitar la expo >

New

High-Precision QA Tool

DEXA Phantom

Ultrasound Imaging System

P12 Elite

Digital Radiographic System

OMNERA 300M

X-ray Diagnostic System

FDX Visionary-A