Modelo nuevo de aprendizaje profundo podría ayudar a predecir los resultados de cáncer de pulmón

Un equipo de investigadores usó escaneos seriales de imágenes de tumores de pacientes con cáncer de pulmón no microcítico (CPNM) para desarrollar un modelo nuevo de aprendizaje profundo que predice la respuesta al tratamiento y los resultados de supervivencia, mejor que los parámetros clínicos estándar.

El cáncer de pulmón es el cáncer más común y la principal causa de muerte por cáncer en todo el mundo, y el CPNM representa aproximadamente el 85% de todos los cánceres de pulmón. La evaluación estándar para el diagnóstico y la respuesta al tratamiento para los pacientes se basa en gran medida en la medición del diámetro máximo del tumor, una medida que es susceptible a variaciones en la interpretación entre observadores y con el tiempo.

Para ver si podían extraer más información predictiva a medida que evolucionaban los cánceres, los investigadores construyeron modelos de aprendizaje profundo. Transfirieron el aprendizaje de ImageNet, una red neuronal creada por investigadores de la Universidad de Princeton y la Universidad de Stanford, que identifica una amplia gama de objetos comunes a partir de las características más relevantes, y entrenaron a sus modelos utilizando tomografías computarizadas seriadas de 179 pacientes con CPNM en estadio 3 que habían recibido quimiorradiación. Incluyeron hasta cuatro imágenes por paciente obtenidas de forma rutinaria antes del tratamiento y a uno, tres y seis meses después del tratamiento para un total de 581 imágenes.

Los investigadores analizaron la capacidad del modelo para realizar predicciones significativas de resultados de cáncer con dos conjuntos de datos: el conjunto de datos de entrenamiento de 581 imágenes y un conjunto de datos de validación independiente de 178 imágenes de 89 pacientes con cáncer de pulmón de células no pequeñas que habían sido tratados con quimiorradiación y cirugía. Los investigadores encontraron que el desempeño de los modelos mejoró con la adición de cada examen de seguimiento. El área bajo la curva, una medida de la exactitud del modelo, para predecir la supervivencia a dos años en base a las exploraciones de pretratamiento solo fue de 0,58, mejorando significativamente a 0,74 después de agregar todos los exámenes de seguimiento disponibles. Los pacientes clasificados con bajo riesgo de mortalidad por el modelo tuvieron una supervivencia global seis veces mejor en comparación con los clasificados como de alto riesgo. En comparación con el modelo clínico que utiliza parámetros de estadío, sexo, edad, grado del tumor, desempeño, estado de fumador y tamaño clínico del tumor, el modelo de aprendizaje profundo fue más eficaz para predecir metástasis a distancia, progresión y recurrencia regional local.

“Nuestra investigación demuestra que los modelos de aprendizaje profundo que integran las exploraciones de imágenes de rutina obtenidas en múltiples puntos de tiempo pueden mejorar las predicciones de supervivencia y los resultados específicos para el cáncer de pulmón”, dijo Hugo Aerts, PhD, director del Laboratorio de bioinformática y computación en el Instituto de Cáncer Dana-Farber y el Hospital Brigham and Women's y un profesor asociado en la Universidad de Harvard. “Los exámenes radiológicos se capturan rutinariamente de los pacientes con cáncer de pulmón durante los exámenes de seguimiento y ya son formularios de datos digitalizados, haciéndolos ideales para las aplicaciones de inteligencia artificial. Los modelos de aprendizaje profundo que siguen de manera cuantitativa los cambios de las lesiones, con el tiempo pueden ayudar a los médicos a personalizar los tratamientos de los pacientes individuales y ayudar a estratificar a los pacientes en diferentes grupos de riesgo para los ensayos clínicos”.


Enlace relacionado: