Identificar ‘patitos feos’ para detectar el cáncer de piel antes
Los investigadores usaron su red neuronal de aprendizaje profundo para asignar una «puntuación de patito feo» a cada lesión en función de cuánto difería de otras lesiones en la piel del mismo paciente, identificando las más probablemente sea canceroso.Crédito: Instituto Wyss de la Universidad de Harvard
El melanoma es, con mucho, la forma más letal de cáncer de piel, ya que mató a más de 7000 personas en los Estados Unidos solo en 2019. La detección temprana de la enfermedad reduce drásticamente el riesgo de muerte y los costos del tratamiento, pero actualmente no es factible la detección generalizada del melanoma. Hay alrededor de 12,000 dermatólogos en ejercicio en los EE. UU., y cada uno necesitaría ver a 27,416 pacientes por año para evaluar a toda la población en busca de lesiones pigmentadas sospechosas (SPL, por sus siglas en inglés) que pueden indicar cáncer.
Los sistemas de diagnóstico asistido por computadora (CAD) se han desarrollado en los últimos años para tratar de resolver este problema mediante el análisis de imágenes de lesiones cutáneas y la identificación automática de SPL, pero hasta ahora no han logrado un impacto significativo en el diagnóstico del melanoma. Estos algoritmos CAD están entrenados para evaluar cada lesión cutánea individualmente en busca de características sospechosas, pero los dermatólogos comparan múltiples lesiones de un paciente individual para determinar si son cancerosas, un método comúnmente llamado criterio del «patito feo». Hasta la fecha, ningún sistema CAD en dermatología ha sido diseñado para replicar este proceso de diagnóstico.
Ahora, ese descuido se ha corregido gracias a un nuevo sistema CAD para lesiones cutáneas basado en redes neuronales profundas convolucionales (CDNN). desarrollado por investigadores del Instituto Wyss de Ingeniería Biológicamente Inspirada en la Universidad de Harvard y el Instituto Tecnológico de Massachusetts (MIT). El nuevo sistema distinguió con éxito los SPL de lesiones no sospechosas en fotos de la piel de los pacientes con una precisión de ~90 % y, por primera vez, estableció una métrica de «patito feo» capaz de coincidir con el consenso de tres dermatólogos el 88 % de las veces.
«Básicamente, proporcionamos un indicador matemático bien definido para la intuición profunda en la que se basa un dermatólogo para determinar si una lesión cutánea es lo suficientemente sospechosa como para justificar un examen más detallado», dijo el primer autor del estudio, Luis Soenksen, Ph.D. ., becario postdoctoral en el Instituto Wyss que también es un Venture Builder en el MIT. «Esta innovación permite analizar rápidamente fotos de la piel de los pacientes para identificar lesiones que deben ser evaluadas por un dermatólogo, lo que permite una detección eficaz del melanoma a nivel de la población».
La tecnología se describe en Science Translational Medicine. , y el código fuente de la CDNN está disponible abiertamente en GitHub.
Enfocando a los patitos feos
El melanoma es personal para Soenksen, quien ha visto a varios amigos cercanos y familiares sufrir la enfermedad. . «Me sorprendió que las personas puedan morir de melanoma simplemente porque los médicos de atención primaria y los pacientes actualmente no tienen las herramientas para encontrar los «extraños» de manera eficiente. Decidí abordar ese problema aprovechando muchas de las técnicas que aprendí de mi trabajan en inteligencia artificial en Wyss y MIT», dijo.
Soenksen y sus colaboradores descubrieron que todos los sistemas CAD existentes creados para identificar SPL solo analizaban las lesiones individualmente, omitiendo por completo los criterios del patito feo que usan los dermatólogos. para comparar varios de los lunares de un paciente durante un examen. Así que decidieron construir uno propio.
Para asegurarse de que su sistema pudiera ser utilizado por personas sin formación especializada en dermatología, el equipo creó una base de datos de más de 33 000 imágenes de «campo amplio» de la piel de los pacientes que incluía fondos y otros objetos que no sean piel, para que la CDNN pueda usar fotos tomadas con cámaras de consumo para el diagnóstico. Las imágenes contenían SPL y lesiones cutáneas no sospechosas que fueron etiquetadas y confirmadas por consenso de tres dermatólogos certificados por la junta. Después de la capacitación en la base de datos y el refinamiento y las pruebas posteriores, el sistema pudo distinguir entre lesiones sospechosas y no sospechosas con una sensibilidad del 90,3 % y una especificidad del 89,9 %, mejorando los sistemas publicados anteriormente.
Pero este sistema de referencia todavía estaba analizando las características de las lesiones individuales, en lugar de las características de múltiples lesiones como hacen los dermatólogos. Para agregar los criterios del patito feo a su modelo, el equipo usó las características extraídas en una etapa secundaria para crear un «mapa» tridimensional de todas las lesiones en una imagen dada, y calculó qué tan lejos de lo «típico» de cada lesión. las características eran. Cuanto más «extraña» se comparaba una lesión dada con las otras en una imagen, más lejos estaba del centro del espacio tridimensional. Esta distancia es la primera definición cuantificable de los criterios del patito feo y sirve como puerta de entrada para aprovechar las redes de aprendizaje profundo para superar la tarea desafiante y lenta de identificar y examinar las diferencias entre todas las lesiones pigmentadas en un solo paciente.
Los investigadores entrenaron su método para identificar lesiones cutáneas precancerosas con una base de datos de 33.980 imágenes, incluidas fotografías de fondos, piel y lesiones sospechosas. Crédito: LR Soenksen et al., Science Translational Medicine (2021)
Aprendizaje profundo frente a dermatólogos
Su DCNN aún tenía que pasar una prueba final: desempeñarse tan bien como los dermatólogos vivos en la tarea de identificar SPL a partir de imágenes de la piel de los pacientes. Tres dermatólogos examinaron 135 fotografías de campo amplio de 68 pacientes y asignaron a cada lesión una puntuación de «rareza» que indicaba cuán preocupante se veía. Las mismas imágenes fueron analizadas y puntuadas por el algoritmo. Cuando se compararon las evaluaciones, los investigadores encontraron que el algoritmo coincidía con el consenso de los dermatólogos el 88 % de las veces y con los dermatólogos individuales el 86 % de las veces.
«Este alto nivel de consenso entre los la inteligencia y los médicos humanos es un avance importante en este campo, porque la concordancia entre los dermatólogos suele ser muy alta, alrededor del 90 %», dijo el coautor Jim Collins, Ph.D., miembro de la facultad principal del Instituto Wyss y co-líder de su Iniciativa de Bioanálisis Predictivo que también es Profesor Termeer de Ingeniería y Ciencias Médicas en el MIT. «Esencialmente, hemos podido lograr una precisión de nivel dermatólogo en el diagnóstico de posibles lesiones de cáncer de piel a partir de imágenes que puede tomar cualquier persona con un teléfono inteligente, lo que abre un enorme potencial para encontrar y tratar el melanoma antes».
Reconociendo que dicha tecnología debe estar disponible para la mayor cantidad de personas posible para obtener el máximo beneficio, el equipo ha hecho que su algoritmo sea de código abierto en GitHub. Esperan asociarse con centros médicos para lanzar ensayos clínicos que demuestren aún más la eficacia de su sistema y con la industria para convertirlo en un producto que pueda ser utilizado por proveedores de atención primaria en todo el mundo. También reconocen que para ser universalmente útil, su algoritmo debe poder funcionar igualmente bien en todo el espectro de tonos de piel humana, que planean incorporar en el desarrollo futuro.
«Permitir que nuestros científicos perseguir sus pasiones y visiones es clave para el éxito del Instituto Wyss, y es maravilloso ver que este avance que puede impactarnos a todos de una manera tan significativa emerge de una colaboración con nuestra Iniciativa de Bioanálisis Predictivo recién formada», dijo Wyss Founding Director Don Ingber, MD, Ph.D., quien también es profesor Judah Folkman de Biología Vascular en la Facultad de Medicina de Harvard y el Hospital Infantil de Boston, y profesor de Bioingeniería en la Facultad de Ingeniería y Ciencias Aplicadas John A. Paulson de Harvard.
Explore más
Algoritmo que funciona con la misma precisión que los dermatólogos Más información: «Uso del aprendizaje profundo para la detección a nivel de dermatólogos de lesiones cutáneas pigmentadas sospechosas a partir de imágenes de campo amplio» Science Translational Medicine, 2021. stm.sciencemag.org/lookup/doi/ … scitranslmed.abb3652 Información de la revista: Science Translational Medicine
Proporcionado por la Universidad de Harvard Cita: Identificación de ‘patitos feos’ para detectar el cáncer de piel antes (2021, 16 de febrero) recuperado 30 de agosto de 2022 de https://medicalxpress.com/news/2021-02-ugly-ducklings-skin-cancer-earlier.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.