Inteligencia artificial para predecir el éxito del tratamiento a partir de tomografías computarizadas tempranas
Crédito: Pixabay/CC0 Dominio público
La inteligencia artificial está a punto de revolucionar el campo de la radiología como una herramienta para mejorar la detección, el diagnóstico y la atención clínica de enfermedades. La tecnología tiene el potencial de ayudar a los médicos al descubrir información oculta dentro de los escaneos de imágenes invisibles incluso para el ojo bien entrenado.
En un artículo publicado en JAMA Oncology, los investigadores de la Universidad de Columbia demuestran que la aplicación de la inteligencia artificial a las imágenes estándar de atención puede ayudar a predecir qué tan bien funcionará la inmunoterapia para los pacientes con melanoma. En particular, desarrollaron un algoritmo de aprendizaje automático que analiza las tomografías computarizadas (TC) de un paciente y crea un biomarcador conocido como firma radiómica que se correlaciona con el resultado del paciente.
La firma usó características específicas del tumor para determinar con alta precisión si la enfermedad de un individuo determinado respondería bien a la inmunoterapia, permanecería estable o continuaría progresando. El objetivo de la inmunoterapia, que se ha convertido en un tratamiento primario para el melanoma, es estimular el propio sistema inmunitario del paciente para combatir el cáncer.
«Esperamos atender a un paciente desde el principio que parece no estar bien». en una terapia determinada debido a su firma y mejorar, cambiar o agregar otro fármaco a la terapia», dice Lawrence H. Schwartz, MD, profesor James Picker y presidente del Departamento de Radiología de la Facultad de Médicos y Cirujanos Vagelos de la Universidad de Columbia (VP&S). «[El objetivo es] realmente optimizar una atención oncológica individualizada para cada paciente en tiempo real».
Dr. Schwartz, miembro del Herbert Irving Comprehensive Cancer Center (HICCC), tiene como objetivo expandir el proyecto con sus colegas a una variedad de diferentes tipos de tumores, como cáncer de pulmón, cáncer de colon, cáncer renal y cáncer de próstata, así como otros tratamientos más allá de la inmunoterapia. Los investigadores querían comenzar con una terapia novedosa y eligieron el melanoma debido a la reciente y rápida adopción de la inmunoterapia para la enfermedad.
Actualmente, los médicos confían casi por completo en el tamaño del tumor para estimar el beneficio de una terapia. Los pacientes reciben una tomografía computarizada de referencia y luego exploraciones de seguimiento posteriores después de que ha comenzado el tratamiento. Si el tumor se encoge, el tratamiento parece estar funcionando, mientras que el crecimiento implica que la enfermedad del paciente está empeorando.
Pero este no es necesariamente el caso con la inmunoterapia, y los estudios han demostrado que el tamaño y el crecimiento del tumor no siempre se correlacionan con la supervivencia general.
«La mayoría de los criterios de respuesta actuales se desarrollaron hace varias décadas para evaluar la respuesta a tratamientos sistémicos como la quimioterapia», dice el primer autor del estudio, Laurent Dercle, MD, Ph.D., científico investigador asociado en el Departamento de Radiología de VP&S. «La inmunoterapia tiene nuevos patrones de respuesta y progresión, con algunos pacientes que tienen un aumento transitorio en el tamaño del tumor y luego una respuesta. Por eso, necesitábamos crear nuevas herramientas para predecir el éxito del tratamiento».
Biológicamente, los tumores pueden evolucionar a lo largo del curso de la enfermedad de un paciente de maneras que son más complejas de lo que puede reflejar una medida de tamaño por sí sola. Como ejemplo de esto, los investigadores descubrieron que su algoritmo de aprendizaje automático funcionaba mejor cuando tenía en cuenta no solo el volumen y el crecimiento del tumor, sino también la heterogeneidad espacial del tumor, o la distribución no uniforme de las células cancerosas en los sitios de la enfermedad y la textura. que analiza la variación de las intensidades de píxeles en la imagen de TC del tumor.
Los investigadores validaron el algoritmo con datos de 287 pacientes con melanoma avanzado que participaron en los ensayos clínicos multicéntricos KEYNOTE-002 y KEYNOTE-006, que administró el fármaco de inmunoterapia pembrolizumab. La firma radiómica, que utilizó imágenes de TC obtenidas al inicio y a los 3 meses de seguimiento, pudo estimar la supervivencia global a los 6 meses con un alto grado de precisión. De hecho, superó al método estándar basado en el diámetro del tumor, conocido como Criterios de Evaluación de Respuesta en Tumores Sólidos 1.1 (RECIST 1.1), que se usa comúnmente en ensayos clínicos para evaluar la eficacia del tratamiento.
«El campo de la radiología y la imaginología en general nunca ha sido más emocionante con esta revolución de la inteligencia artificial», dice el Dr. Schwartz. «Siempre hemos buscado avances en términos de nuevas máquinas, nuevos trazadores y cosas por el estilo. Pero esto nos brinda la oportunidad de optimizar la información que tenemos de todas nuestras modalidades de imágenes para acelerar el diagnóstico, volvernos más precisos y precisos y brindar a los pacientes tratamientos más efectivos».
Explore más
Los investigadores desarrollan un modelo para predecir la respuesta al tratamiento en el cáncer gástrico Más información: Laurent Dercle et al, Lectura temprana sobre la supervivencia general de pacientes con melanoma tratados con inmunoterapia usando una nueva imagenología Análisis, JAMA Oncología (2022). DOI: 10.1001/jamaoncol.2021.6818 Información de la revista: JAMA Oncology
Proporcionado por la Universidad de Columbia Cita: Inteligencia artificial para predecir el éxito del tratamiento a partir de tomografías computarizadas tempranas (2022, febrero 22) recuperado el 29 de agosto de 2022 de https://medicalxpress.com/news/2022-02-artificial-intelligence-treatment-success-early.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.