Herramienta de IA predice recaída de cáncer cerebral pediátrico a partir de resonancias magnéticas cerebrales

Muchos gliomas pediátricos pueden tratarse únicamente con cirugía, pero las recaídas pueden ser devastadoras. Predecir qué pacientes tienen riesgo de recurrencia sigue siendo un desafío, lo que requiere frecuentes seguimientos con resonancia magnética durante varios años. Este proceso puede ser estresante y oneroso tanto para los niños como para sus familias. Existe una necesidad apremiante de mejores herramientas para identificar tempranamente qué pacientes tienen mayor probabilidad de sufrir una recaída. La inteligencia artificial (IA) tiene un gran potencial para analizar grandes conjuntos de datos de imágenes médicas e identificar patrones que podrían pasar desapercibidos para los observadores humanos. Ahora, el análisis de escáneres cerebrales asistido por IA puede ayudar a mejorar la atención de los gliomas pediátricos.

La investigación sobre enfermedades raras, como los cánceres pediátricos, a menudo se enfrenta al obstáculo de la escasez de datos. Este estudio, realizado por el Hospital General de Massachusetts (Somerville, MA, EUA) y sus colaboradores, utilizó colaboraciones institucionales en todo Estados Unidos para recopilar cerca de 4.000 resonancias magnéticas de 715 pacientes pediátricos. Para maximizar la capacidad de la IA de "aprender" de las resonancias magnéticas cerebrales de un paciente y predecir mejor la recurrencia, los investigadores emplearon una técnica denominada aprendizaje temporal. Este método entrena al modelo de IA para sintetizar los hallazgos de múltiples resonancias magnéticas cerebrales realizadas durante varios meses después de la cirugía. En la mayoría de los modelos de IA para imágenes médicas, el algoritmo se entrena para extraer conclusiones de resonancias magnéticas individuales, pero el aprendizaje temporal, que no se había aplicado previamente en este tipo de investigaciones, utiliza imágenes recopiladas a lo largo del tiempo para predecir la recurrencia del cáncer.

Para construir el modelo de aprendizaje temporal, los investigadores primero entrenaron al sistema para secuenciar las resonancias magnéticas posoperatorias de un paciente en orden cronológico, lo que permitió que el modelo detectara cambios sutiles en las exploraciones. Luego refinaron el modelo para vincular correctamente esos cambios con la recurrencia futura del cáncer cuando fuera aplicable. Los resultados, publicados en The New England Journal of Medicine AI, revelaron que el modelo de aprendizaje temporal pudo predecir la recurrencia de gliomas de grado bajo o alto un año después del tratamiento, con una precisión del 75-89%. Esta precisión fue significativamente superior a la de los modelos basados en imágenes individuales, que alcanzaron solo un 50 %, comparable al azar.

Al proporcionar al modelo imágenes tomadas en varios momentos tras el tratamiento, la precisión mejoró aún más, aunque con solo cuatro a seis imágenes adicionales se alcanzó un punto de saturación. Sin embargo, los investigadores subrayan que se requiere una validación adicional en distintos entornos antes de su aplicación clínica. En última instancia, su objetivo es lanzar ensayos clínicos para determinar si las predicciones de riesgo impulsadas por IA pueden mejorar la atención, por ejemplo reduciendo la frecuencia de las imágenes para pacientes de bajo riesgo o administrando de forma preventiva terapias dirigidas a pacientes de alto riesgo.

“Hemos demostrado que la IA es capaz de analizar y realizar predicciones eficazmente a partir de múltiples imágenes, no solo de exploraciones individuales”, afirmó el primer autor, Divyanshu Tak, MS, del Programa AIM del Mass General Brigham y del Departamento de Oncología Radioterapéutica del Brigham. “Esta técnica puede aplicarse en muchos entornos donde los pacientes reciben imágenes longitudinales seriadas, y estamos entusiasmados por ver qué inspirará este proyecto”.

Visitar la expo >

Radiology Software

DxWorks

Digital X-Ray Detector Panel

Acuity G4

Multi-Use Ultrasound Table

Clinton

New

High-Precision QA Tool

DEXA Phantom