Una inteligencia artificial detecta el 90% de los casos de cáncer linfático

El análisis de imágenes médicas mediante inteligencia artificial (IA) ha experimentado un fuerte y rápido desarrollado en los últimos años. Ahora, científicos han llevado a cabo uno de los estudios médicos más ambiciosos hasta la fecha en el que se ha usado la IA para utilizar imágenes de linfomas, un tipo de cáncer del sistema linfático.

Por la Universidad Tecnológica Chalmers

Imagen conceptual generada por DALL-E 2 de Microsoft Bing.

Científicos de todo el mundo están desarrollando nuevos métodos informáticos de interpretación de imágenes médicas para diversas afecciones. Pueden así reducir la carga de trabajo de los radiólogos, al ofrecer una segunda opinión o al clasificar los pacientes que necesitan someterse a un tratamiento cuanto antes.

"Un sistema informático basado en inteligencia artificial (IA) para interpretar imágenes médicas también contribuye a aumentar la igualdad en la asistencia sanitaria, al dar a los pacientes acceso a los mismos expertos y poder revisar sus imágenes en un plazo de tiempo razonable, independientemente del hospital en el que se encuentren— dice Ida Häggström, profesora del Departamento de Ingeniería Eléctrica de la Universidad Tecnológica Chalmers (Suecia). Y añade—: Como un sistema de IA tiene acceso a mucha más información, también facilita las cosas en enfermedades raras en las que los radiólogos rara vez ven imágenes".

En estrecha colaboración con la Academia Sahlgrenska de la Universidad de Gotemburgo y el Hospital Universitario Sahlgrenska, Häggström ha participado en el desarrollo de imágenes médicas en el campo del cáncer, así como en otras afecciones médicas, como enfermedades cardiovasculares, ictus y osteoporosis.

Un gran estudio para rastrear el cáncer en el sistema linfático.

Häggström ha desarrollado junto a investigadores del Memorial Sloan Kettering Cancer Center de Nueva York y otras instituciones un modelo informático que fue presentado recientemente en The Lancet Digital Health.

"A partir de más de 17.000 imágenes de más de 5.000 pacientes con linfoma, hemos creado un sistema de aprendizaje automático en el que se han entrenado ordenadores para encontrar signos visuales de cáncer en el sistema linfático", afirma Häggström.

Recordemos que un linfoma es un tipo de cáncer que se origina en el sistema linfático, que es parte del sistema inmunológico del cuerpo. El sistema linfático incluye los ganglios linfáticos, el bazo, la médula ósea y el tejido linfoide que se encuentra en ciertos órganos, como el intestino delgado. Los linfomas se desarrollan cuando los linfocitos, un tipo de glóbulo blanco, comienzan a crecer y dividirse de manera descontrolada.

Existen dos tipos principales de linfoma: el linfoma de Hodgkin y el linfoma no Hodgkin. El primero se caracteriza por la presencia de una células llamadas células de Reed-Sternberg, que son células gigantes anormales. Por otro lado, el linfoma no Hodgkin incluye una variedad de subtipos que pueden diferir en su comportamiento clínico y en la forma en que responden al tratamiento.

Entrenamiento del modelo informático.

Los síntomas comunes de los linfomas pueden incluir inflamación de los ganglios linfáticos, fatiga, pérdida de peso inexplicada, sudores nocturnos y fiebre. El tratamiento para los linfomas generalmente incluye una combinación de quimioterapia, radioterapia, terapia dirigida y en algunos casos, trasplante de células madre. La elección del tratamiento depende del tipo de linfoma, su extensión y otros factores individuales del paciente.

En el estudio de la Universidad Tecnológica Chalmers, los investigadores examinaron archivos de imágenes de linfomas que se remontaban a más de diez años. Compararon el diagnóstico final de los pacientes con exploraciones de tomografía por emisión de positrones (PET) y tomografía computarizada (CT) tomadas antes y después del tratamiento. Luego, esta información se utilizó para ayudar a entrenar el modelo informático de IA para detectar signos de cáncer de ganglio linfático en una imagen.

En el estudio, los investigadores examinaron archivos de imágenes de más de diez años de antigüedad. Compararon el diagnóstico final de los pacientes con tomografías por emisión de positrones (PET) y tomografías computarizadas (TC) tomadas antes y después del tratamiento. Esta información se utilizó para entrenar el modelo informático de IA en la detección de signos de cáncer ganglionar en una imagen.

Entrenamiento supervisado.

El modelo informático que ha desarrollado Häggström se llama Lars, Lymphoma Artificial Reader System, y es un sistema de aprendizaje profundo basado en inteligencia artificial. Funciona introduciendo una imagen de tomografía por emisión de positrones (PET) y analizándola con el modelo de IA. Está entrenado para encontrar patrones y características en la imagen, con el fin de hacer la mejor predicción posible de si la imagen es positiva o negativa, es decir, si contiene linfoma o no.

"He utilizado lo que se conoce como entrenamiento supervisado, en el que se muestran imágenes al modelo informático, que luego evalúa si el paciente tiene linfoma o no —dice Häggström. Y continúa—: El modelo también llega a ver el verdadero diagnóstico, de modo que si la evaluación es errónea, aquel se ajusta para que gradualmente sea cada vez mejor en la determinación del diagnóstico".

En la práctica, ¿qué significa realmente que el modelo informático utilice inteligencia artificial y aprendizaje profundo para hacer un diagnóstico?

"Se trata de que no hemos programado instrucciones predeterminadas en el modelo sobre qué información de la imagen debe mirar, sino que dejamos que aprenda por sí mismo qué patrones de imagen son importantes para obtener las mejores predicciones posibles", explica Häggström.

El modelo de IA introduce y analiza una imagen de una tomografía por emisión de positrones (PET). Está entrenado para encontrar patrones y características en la imagen con el fin de hacer la mejor predicción posible sobre si la imagen es positiva o negativa, es decir, si contiene linfoma o no. Ilustración: Ida Häggström

Häggström considera que el proceso de enseñar al ordenador a detectar cáncer en las imágenes requiere mucho tiempo y que se necesitaron varios años para completar el estudio. Uno de los desafíos ha sido reunir una cantidad tan grande de imágenes. También ha sido un desafío adaptar el modelo informático para que pueda distinguir entre el cáncer y los cambios temporales específicos del tratamiento que se pueden ver en las imágenes después de la radioterapia y la quimioterapia.

"En el estudio estimamos que la precisión del modelo informático es de alrededor del 90%, y, especialmente en el caso de imágenes difíciles de interpretar, podría ayudar a los radiólogos en sus evaluaciones", señala Häggström.

Sin embargo, aún queda mucho trabajo por hacer para validar el modelo informático si se quiere utilizar en la práctica clínica.

"Hemos puesto el código informático a disposición de otros investigadores para que puedan seguir trabajando a partir de nuestro modelo informático, pero las pruebas clínicas que hay que realizar son exhaustivas", afirma Häggström.

• Información facilitada por la Universidad Tecnológica Chalmers

• Fuente: Ida Häggström, Doris Leithner, Jennifer Alvén, Gabriele Campanella,v Murad Abusamra, Honglei Zhang et al. Deep learning for [18F]fluorodeoxyglucose-PET-CT classification in patients with lymphoma: a dual-centre retrospective analysis. The Lancet Digital Health (2023). DOI: 2023DOI: https://doi.org/10.1016/S2589-7500(23)00203-0