La red neuronal puede determinar la gravedad del cáncer de pulmón
La visualización de las predicciones de LungNet en un espacio bidimensional mostró que los pacientes del grupo de alto riesgo se agrupan lejos de los del grupo de bajo riesgo. Las lesiones de los pacientes de bajo riesgo se caracterizaron por nódulos de forma regular y uniforme. Los nódulos de los pacientes del grupo de alto riesgo tenían márgenes nítidos e irregulares. Crédito: Mukherjee, et al., Nature Machine Intelligence, mayo de 2020
La tomografía computarizada (TC) es una importante herramienta de diagnóstico para la evaluación del cáncer de pulmón en pacientes. Ahora, investigadores financiados por NIBIB en la Universidad de Stanford han creado una red neuronal artificial que analiza tomografías computarizadas de pulmón para proporcionar información sobre la gravedad del cáncer de pulmón que puede guiar las opciones de tratamiento.
La tomografía computarizada es una herramienta de diagnóstico importante para medir la ubicación, la extensión, el tamaño y la forma de las lesiones pulmonares que se utilizan para guiar las decisiones terapéuticas de los pacientes con cáncer de pulmón, la neoplasia maligna fatal más común en adultos en todo el mundo. Sin embargo, el análisis de las imágenes de TC se limita a lo que es visible para el ojo humano, y la variabilidad del lector da como resultado diferencias en la atención clínica entre los diferentes centros de oncología.
Un grupo multidisciplinario de expertos en informática biomédica, radiología, ciencia de datos, ingeniería eléctrica y oncología radioterápica se unió para crear una red neuronal de aprendizaje automático llamada LungNet, diseñada para obtener información consistente, rápida y precisa de tomografías computarizadas de pulmón de pacientes. El grupo trabajó con escaneos de adultos con cáncer de pulmón de células no pequeñas (NSCLC, por sus siglas en inglés), que representa el 85 % de los diagnósticos de cáncer de pulmón.
«LungNet demuestra los beneficios de diseñar y entrenar herramientas de aprendizaje automático directamente en médicos imágenes de los pacientes», dijo Qi Duan, Ph.D., director del Programa NIBIB en Procesamiento de Imágenes, Percepción Visual y Visualización. «Este es un ejemplo destacado de cómo la tecnología de aprendizaje automático puede ser un enfoque rentable para avanzar en la detección, el diagnóstico y el tratamiento de enfermedades».
El grupo de investigación estuvo dirigido por Olivier Gevaert, profesor asistente de medicina en Biomedical Informatics Research, en Stanford, que se especializa en el desarrollo de métodos de aprendizaje automático para apoyar decisiones biomédicas utilizando datos biomédicos a múltiples escalas.
«El análisis cuantitativo de imágenes ha demostrado que las imágenes radiológicas, como las tomografías computarizadas de pacientes con cáncer de pulmón, contienen más información minable que la que observan los radiólogos», explicó Gevaert. «Usando conjuntos de datos de imágenes de TC de varias clínicas de oncología diferentes, nos dispusimos a determinar si nuestra red neuronal podría entrenarse para analizar de manera precisa y reproducible los escaneos y brindar información clínica útil y consistente».
La red neuronal llamada LungNet se entrenó y evaluó en cuatro cohortes independientes de pacientes con NSCLC de cuatro centros médicos, cada centro con un promedio de varios cientos de pacientes. El análisis de LungNet predijo con precisión la supervivencia general en los cuatro grupos de pacientes. LungNet también clasificó con precisión los nódulos benignos frente a los malignos y pudo estratificar aún más los nódulos con respecto a la progresión del cáncer.
El equipo de investigación espera que LungNet sea extremadamente valioso no solo para clasificar los tumores benignos frente a los malignos, sino también para estratificar a los pacientes en niveles bajos , grupos de riesgo medio y alto. Esto permite intensificar el tratamiento para los pacientes del grupo de alto riesgo, así como reducir los tratamientos innecesarios para los pacientes del grupo de bajo riesgo.
Los resultados se publicaron en la revista Nature Machine Intelligence.
Explore más
Uso de aprendizaje automático para detectar ADN de cáncer de pulmón en sangre Más información: Pritam Mukherjee et al. Una red neuronal convolucional poco profunda predice el pronóstico de pacientes con cáncer de pulmón en conjuntos de datos de imágenes de tomografía computarizada multiinstitucionales, Nature Machine Intelligence (2020). DOI: 10.1038/s42256-020-0173-6 Información de la revista: Nature Machine Intelligence
Proporcionado por los Institutos Nacionales de Salud Cita: La red neuronal puede determinar la gravedad del cáncer de pulmón (2020, 25 de junio) recuperado el 31 de agosto de 2022 de https://medicalxpress.com/news/2020-06-neural-network-lung-cancer-severity.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.