El método de aprendizaje automático identifica pólipos de colon precancerosos
A, colonoscopia óptica y, BD, colonografía por TC de un pólipo de 9 mm (flecha) en el colon descendente de una mujer de 78 años. B, Se utilizaron reconstrucciones tridimensionales de vuelo virtual para la localización exacta de los pólipos. C, La segmentación manual de pólipos se realizó en imágenes de colonografía por TC bidimensionales multiplanares. D, las imágenes de colonografía por TC se preprocesaron para la extracción de características de la imagen mediante la aplicación de un filtro dedicado. Crédito: Sociedad Radiológica de América del Norte
Un algoritmo de aprendizaje automático ayuda a diferenciar con precisión los pólipos colorrectales benignos y premalignos en las exploraciones de colonografía por TC, según un estudio publicado en la revista Radiology.
El cáncer colorrectal se encuentra entre las tres causas más comunes de muerte relacionada con el cáncer entre hombres y mujeres en los países industrializados. La mayoría de los tipos de cáncer colorrectal se originan a partir de pólipos adenomatosos, crecimientos parecidos a glándulas en la membrana mucosa que recubre el intestino grueso, que se desarrollan a lo largo de varios años. La detección temprana y la extirpación de estos pólipos precancerosos pueden reducir la incidencia y la mortalidad del cáncer colorrectal.
Durante las últimas dos décadas, la colonografía por TC surgió como una alternativa no invasiva a la colonoscopia en la detección del cáncer colorrectal. Es comparable a la colonoscopia en la detección de la mayoría de los pólipos y es eficaz para visualizar porciones del colon que, en casos de condiciones anatómicas complejas, no siempre pueden evaluarse mediante colonoscopia. Sin embargo, la colonografía por TC no permite una diferenciación definitiva entre pólipos benignos y premalignos, lo cual es crucial para la estratificación del riesgo individual y la orientación de la terapia.
Para el nuevo estudio, los investigadores aprovecharon el poder de la radiómica, un proceso de extracción Características cuantitativas de las imágenes médicas para caracterizar los pólipos más allá de lo que es evidente a simple vista.
Arriba: Las imágenes de colonografía axial por TC muestran pólipos colorrectales representativos (flecha) en el conjunto de entrenamiento. Abajo: estudio histopatológico correspondiente. (Tinción con hematoxilina-eosina; aumento original 320.) A, Pólipo hiperplásico de 8 mm en el colon ascendente de una mujer de 54 años con epitelio hiperplásico. B, Adenoma tubular de 8 mm en el colon sigmoide de un hombre de 68 años con patrón de crecimiento tubular y núcleos alargados. C, Adenoma tubulovelloso de 11 mm en el recto de un hombre de 73 años con patrón de crecimiento tubulovelloso y núcleos alargados. Crédito: Sociedad Radiológica de América del Norte.
Los investigadores desarrollaron un algoritmo de aprendizaje automático para predecir el carácter de los pólipos individuales en función de características de imágenes cuantitativas extraídas mediante radiómica. Aplicaron el método de aprendizaje automático no invasivo basado en radiómica en imágenes de colonografía por TC de un grupo de pacientes asintomáticos con riesgo promedio de cáncer colorrectal. El algoritmo de aprendizaje automático se entrenó en un conjunto de más de 100 pólipos colorrectales en 63 pacientes y luego se probó en un conjunto de 77 pólipos en 59 pacientes.
En el conjunto de prueba, el enfoque de aprendizaje automático permitió la diferenciación no invasiva de pólipos colorrectales benignos y premalignos detectados por colonografía por TC, con una sensibilidad del 82 % y una especificidad del 85 %. El área bajo la curva (AUC), una medida gráfica que refleja cuánto es capaz el modelo de distinguir entre pólipos benignos y precancerosos, fue excelente.
«Estos resultados sirven como prueba de concepto de que la máquina El análisis de imágenes basado en el aprendizaje permite la diferenciación no invasiva de pólipos colorrectales benignos y premalignos en conjuntos de datos de colonografía por TC», dijo el autor principal del estudio, Sergio Grosu, MD, radiólogo del Hospital Universitario, Universidad Ludwig Maximilian de Múnich, en Múnich, Alemania. «El AUC de 0,91 indica que este método funciona bien».
Los hallazgos apuntan a un papel de los algoritmos derivados del aprendizaje automático para aumentar la eficacia de la colonografía por TC como herramienta de detección del cáncer colorrectal.
El flujo de trabajo de radiómica constaba de tres pasos: segmentación manual de pólipos colorrectales en imágenes de colonografía por TC bidimensionales multiplanares; filtrado de imágenes y extracción de características que caracterizan formas, estadísticas de histogramas o texturas; y entrenamiento basado en características de un algoritmo de clasificación de bosque aleatorio para diferenciar entre pólipos colorrectales benignos y premalignos según el estándar de referencia histopatológico. Crédito: Sociedad Radiológica de América del Norte
«Agregar el análisis de imágenes asistido por aprendizaje automático a la lectura de imágenes radiológicas convencionales podría mejorar aún más la importancia clínica de la detección del cáncer colorrectal basada en la colonografía por TC al permitir una selección más precisa de los pacientes elegibles para exámenes subsiguientes». polipectomía», dijo el Dr. Grosu. «Este método podría utilizarse de forma rutinaria como un segundo lector en todos los exámenes de colonografía por TC en un futuro lejano».
Dr. Grosu dijo que se necesitan estudios adicionales con un mayor número de pacientes para validar los hallazgos. Agregó que estos estudios también deberían ayudar a impulsar mejoras en el algoritmo de aprendizaje automático.
«Es necesario un mayor refinamiento del análisis de imágenes basado en el aprendizaje automático para lograr una mayor precisión en la diferenciación de pólipos, así como la optimización del flujo de trabajo para una mejor aplicabilidad en la rutina clínica», dijo el Dr. Grosu.
Explore más
Lo que necesita saber sobre los pólipos en el colon Más información: Sergio Grosu et al. Diferenciación basada en el aprendizaje automático de pólipos colorrectales benignos y premalignos detectados con colonografía por TC en una población de detección asintomática: un estudio de prueba de concepto, Radiología (2021). DOI: 10.1148/radiol.2021202363 Información de la revista: Radiology
Proporcionado por Radiological Society of North America Cita: El método de aprendizaje automático identifica pólipos de colon precancerosos (2021, 23 de febrero ) recuperado el 30 de agosto de 2022 de https://medicalxpress.com/news/2021-02-machine-method-precancerous-colon-polyps.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.