Google ensaya un algoritmo de IA para ayudar a detectar los cánceres de mama metastásicos

Los científicos de Google AI (Mountain View, CA, EUA) que desarrollan un algoritmo para detectar la propagación del cáncer de mama han publicado nuevas investigaciones que demuestran su promesa como una herramienta de ayuda para los patólogos.

Google AI había descrito su método basado en el aprendizaje profundo para mejorar la exactitud diagnóstica (LYmph Node Assistant, o LYNA) para el Desafío Camelyon ISBI 2016, que proporciona láminas de patología de ganglios linfáticos del tamaño de gigapixeles de pacientes con cáncer de mama para que los investigadores desarrollen algoritmos informáticos para detectar el cáncer metastásico. LYNA ha logrado tasas de detección de cáncer significativamente más altas que las reportadas anteriormente. En sus últimos estudios publicados, los científicos presentaron una herramienta de asistencia al patólogo, de prueba de concepto, basada en LYNA y su investigación de estos factores.

En el primer artículo, los científicos aplicaron su algoritmo para desidentificar las láminas de patología, tanto del Desafío Camelyon, como de un conjunto de datos independiente proporcionado por nuestros coautores en el Centro Médico Naval de San Diego. Este conjunto de datos adicional consistió en muestras de patología de un laboratorio diferente que utilizaron diferentes procesos, mejorando así la representación de la diversidad de láminas y artefactos observados en la práctica clínica habitual. LYNA demostró ser robusto a la variabilidad de la imagen y a numerosos artefactos histológicos, y logró un desempeño similar en ambos conjuntos de datos sin desarrollo adicional.

En ambos conjuntos de datos, LYNA pudo diferenciar correctamente una lámina con cáncer metastásico de una lámina sin cáncer el 99% de las veces. Además, LYNA podía identificar con exactitud la ubicación de ambos tipos de cáncer y otras regiones sospechosas dentro de cada lámina, a pesar de que algunas de ellas eran demasiado pequeñas para que los patólogos las detectaran de manera consistente. Con base en esto, los investigadores creen que un beneficio potencial de LYNA podría ser resaltar estas áreas de preocupación para que los patólogos revisen y determinen el diagnóstico final.

En su segundo artículo, seis patólogos certificados por la junta completaron una tarea de diagnóstico simulada en la que revisaron los ganglios linfáticos para detectar el cáncer de mama metastásico con y sin la asistencia de LYNA. Para la tarea, a menudo laboriosa, de detectar pequeñas metástasis (denominadas micrometástasis), el uso de LYNA hizo que la tarea fuese subjetivamente "más fácil" (según la dificultad diagnóstica autoinformada por los patólogos) y redujo a la mitad el tiempo de revisión de las láminas, requiriendo aproximadamente un minuto en lugar de dos minutos por lámina.

Esto indica el potencial intrigante de las tecnologías de asistencia como LYNA para reducir la carga de las tareas de identificación repetitivas y para permitir que los patólogos se concentren en otras tareas clínicas y de diagnóstico más desafiantes. En términos de exactitud diagnóstica, los patólogos en este estudio pudieron detectar micrometástasis con LYNA de manera más confiable, reduciendo la tasa de micrometástasis pasados por alto en un factor de dos. De manera alentadora, los patólogos con asistencia de LYNA fueron más exactos que los patólogos no asistidos o que el propio algoritmo de LYNA, lo que indica que las personas y los algoritmos pueden trabajar juntos de manera efectiva para obtener mejores resultados que cuando trabajan de forma independiente.

Enlace relacionado:
Google AI