Sistema de IA combina imágenes por TC con datos clínicos y genéticos para detección temprana del cáncer de pulmón

El pronóstico del carcinoma de pulmón ha evolucionado significativamente con el descubrimiento de dianas moleculares y sus correspondientes tratamientos. Específicamente, las mutaciones en el gen del receptor del factor de crecimiento epidérmico (RFCE), que se encuentra en el carcinoma de pulmón, sirven como objetivos clave para terapias especializadas. Sin embargo, en países con recursos limitados como la India, los métodos de prueba avanzados, como la secuenciación de próxima generación, siguen siendo inaccesibles para un uso generalizado. Los desafíos también incluyen obtener suficiente tejido a partir de biopsias centrales de pulmón y lidiar con la heterogeneidad intratumoral inherente que complica la identificación de tejidos tumorales adecuados. Ahora, los investigadores han demostrado que un sistema basado en IA puede detectar y analizar automáticamente las características de los nódulos pulmonares a partir de imágenes de TC, prediciendo la probabilidad de mutaciones del RFCE. Esta innovación ayuda a los oncólogos y pacientes en entornos con recursos limitados brindándoles una atención casi óptima y guiando las decisiones de tratamiento adecuadas.

Estudios anteriores que aprovechan la IA con imágenes de TC se han mostrado prometedores a la hora de categorizar y analizar nódulos pulmonares sin incurrir en costos adicionales. Sin embargo, la mayoría de estos métodos se han centrado únicamente en la detección de nódulos en imágenes de TC. Además, si bien la IA se ha utilizado para extraer información pulmonar completa para predecir el genotipo de RFCE y evaluar las respuestas a la terapia dirigida contra el cáncer de pulmón, dichos esfuerzos se han enfocado mayormente en las poblaciones blanca y china. Centrándose principalmente en la población india, investigadores dirigidos por el Instituto y Centro de Investigación Oncológico Rajiv Gandhi (Nueva Delhi, India) se propusieron desarrollar una estrategia basada en IA que no solo pudiera detectar sino también caracterizar nódulos pulmonares, indicando el estado mutacional del RFCE en pacientes con carcinoma de pulmonar. Esto ayudaría a clasificar a los pacientes que requieren un perfil molecular extenso del gen controlador RFCE.

El equipo creó un sistema predictivo basado en IA (AIPS) totalmente automatizado utilizando algoritmos de aprendizaje automático (ML) y aprendizaje profundo (DL). Este sistema puede detectar características de nódulos pulmonares a partir de imágenes de TC y evaluar la probabilidad de una mutación de RFCE, eliminando así la necesidad de anotaciones de imágenes que requieren mucho tiempo por parte de radiólogos y de ingeniería de características complejas. Además de incorporar la secuenciación del gen RFCE y los datos de imágenes por TC de 2.277 pacientes con carcinoma de pulmón en tres cohortes en la India y una cohorte de población blanca de TCIA, los investigadores utilizaron la cohorte LIDC-IDRI para entrenar el modelo AIPS-Nodule (AIPS-N). Este modelo detecta y caracteriza automáticamente los nódulos pulmonares. Se evaluó la eficacia de la combinación del modelo AIPS-N con factores clínicos en el modelo AIPS-Mutación (AIPS-M) para predecir el genotipo RFCE, logrando valores de área bajo la curva (AUC) que oscilaban entre 0,587 y 0,910. El AIPS-N detectó con éxito nódulos con un AP50 promedio del 70,19 % y predijo puntuaciones para cinco propiedades de los nódulos pulmonares. Esta investigación sugiere que las imágenes por TC combinadas con un sistema automatizado de IA para el análisis de nódulos pulmonares pueden predecir de manera no invasiva y rentable el genotipo de RFCE, identificando pacientes con mutaciones de RFCE.

Enlaces relacionados:
Instituto y Centro de Investigación Oncológico Rajiv Gandhi
 

Visitar la expo >

New

MRI Infusion Workstation

BeneFusion MRI Station

X-Ray Illuminator

X-Ray Viewbox Illuminators

NMUS & MSK Ultrasound

InVisus Pro

New

Digital Intelligent Ferromagnetic Detector

Digital Ferromagnetic Detector