fbpx


Geralt/Pixabay

Geralt/Pixabay

Inteligencia artificial El aprendizaje profundo (AI) combinado con datos de imágenes de pacientes abre un nuevo mundo de posibilidades para médicos e investigadores, especialmente en neurociencia. Nuevo investigar publicado en Revista de biología teórica demuestra cómo el aprendizaje profundo de IA puede predecir la progresión del tumor cerebral para el glioblastoma en función de imágenes médicas para acelerar la medicina de precisión.

Nuestro trabajo proporciona un método novedoso y fácilmente generalizable para evaluar los parámetros tumorales específicos del paciente que se puede usar para ayudar a los médicos a diseñar terapias individualizadas”, escribieron investigadores asociados con la Universidad de Waterloo, la Universidad de Toronto y St. Hospital de Michael en Toronto.

El cáncer más común que ocurre en el cerebro es el glioblastoma, también conocido como glioblastoma multiforme (GBM). El glioblastoma es un tumor cerebral que surge de las células gliales que rodean y sostienen las neuronas. Es una de las formas de cáncer más resistentes al tratamiento, complejas y mortales. El glioblastoma es incurable y el tumor cerebral primario más común en adultos.

Según el MD Anderson Cancer Center de la Universidad de Texas, el glioblastoma se desarrolla con mayor frecuencia en los lóbulos frontal y temporal y rara vez en la médula espinal o el tronco encefálico. Clasificación central de tumores de la OMS Sistema nervioso clasifica el glioblastoma como “grado 4”. Según el Centro Nacional de Información Biotecnológica, es una enfermedad incurable con una supervivencia general pobre y altas tasas de recurrencia. Los cánceres de cerebro y sistema nervioso causaron más de 250.000 muertes en todo el mundo en 2020, según Global Cancer Statistics (GLOBOCAN).

Lo que distingue a este estudio de otras investigaciones de IA en oncología es que los científicos tuvieron la rara oportunidad de utilizar datos de imágenes reales de un cáncer inusual para cinco tumores no tratados. Los participantes del estudio eran pacientes con glioblastoma que optaron por no recibir ninguna intervención o tratamiento durante el estudio.

“Debido a que nuestro estudio tiene como objetivo caracterizar la progresión natural del tumor, un requisito para nuestros datos era que no se administrara ningún tratamiento antitumoral entre las sesiones de imágenes para cada paciente”, escribieron los investigadores.

Los investigadores se propusieron crear un modelo de aprendizaje profundo que pueda estimar con precisión la progresión del tumor en un paciente determinado utilizando el modelo de invasión proliferativa (PI), un modelo matemático que se usa a menudo para caracterizar la progresión del glioblastoma.

El desarrollo de algoritmos de IA de alto rendimiento requiere enormes conjuntos de datos para entrenar el modelo de modo que puedan aprender características de los datos. Encontrar grandes conjuntos de datos de entrenamiento para cánceres inusuales y enfermedades raras es un desafío, especialmente cuando el pronóstico es malo y la esperanza de vida es corta. Para este estudio, los científicos utilizaron dos conjuntos de datos reales de progresión tumoral a partir de imágenes de resonancia magnética (MRI) tomadas durante varios meses en cinco pacientes diagnosticados con glioblastoma.

Los investigadores utilizaron un conjunto de herramientas de código abierto que aplica el aprendizaje automático y la inteligencia artificial para detectar los límites de los tumores, denominado software de iniciativa Federated Tumor Segmentation (FeTS), que fue desarrollado y mantenido por el Centro de Computación y Análisis de Imágenes Biomédicas de la Universidad de Pensilvania. Este conjunto de herramientas de IA utiliza algoritmos de aprendizaje profundo para segmentar los tumores en cuatro categorías de tejido que consisten en no neoplásico, aumento de la proliferación, edema peritumoral y necrótico. La especificidad de la clasificación ofrece ventajas sobre la clasificación binaria de tumor/no tumor, proporcionando a los investigadores información más detallada para calcular la densidad de las células tumorales.

El modelo de aprendizaje profundo de IA requería la densidad de células tumorales en cada momento de obtención de imágenes para la entrada. Un método de imagen popular para obtener la densidad de células tumorales se basa en la imagen de ADC. El coeficiente de difusión aparente (ADC, por sus siglas en inglés) mide la cantidad de difusión de las moléculas de agua en el tejido, que generalmente se calcula mediante resonancia magnética ponderada por difusión. Estudios previos no relacionados sugieren que un valor bajo de ADC corresponde a un movimiento de fluido limitado y una celularidad tumoral alta: la cantidad de células en el tumor.

Educación Lecturas básicas

La segmentación profunda de IA permitió a los científicos determinar la celularidad del tumor mediante resonancia magnética multisecuencial con una incorporación de datos ADC más sofisticada. Para probar su modelo de aprendizaje profundo, los científicos utilizaron tumores sintéticos generados por computadora.

“Dado que se conocen los verdaderos valores de los parámetros y la curva de crecimiento, podemos comparar las predicciones de aprendizaje profundo”, escriben los investigadores.

Según los científicos, los resultados fueron que la inteligencia artificial predijo la celularidad con gran precisión. Los investigadores aplicaron un modelo de aprendizaje profundo de IA a un conjunto de datos de pacientes para crear un modelo que pueda predecir cómo progresará el glioblastoma sin tratamiento, un estudio valioso. Con esta prueba de concepto, los próximos pasos son extender el algoritmo para predecir la progresión del glioblastoma para incluir tratamientos contra el cáncer, donde hay conjuntos de datos mucho más grandes disponibles para el entrenamiento del modelo.

“Este método permite predicciones más precisas y personalizadas del crecimiento del tumor y la posible respuesta al tratamiento que de lo contrario sería posible, lo que claramente tiene beneficios teóricos y clínicos”, informaron los investigadores. “La ventaja particular de este método es que requiere datos solo del paciente para el que se hacen las predicciones. Esto evita un obstáculo importante relacionado con la necesidad de un gran conjunto de datos existente, que generalmente dificulta la aplicación de modelos de aprendizaje automático para resolver problemas médicos”.

Copyright © 2023 Cami Rosso. Todos los derechos reservados.



Source link