Algoritmos de IA predicen la ubicación y el tamaño de tumores a partir de imágenes médicas

Los pacientes con cáncer suelen presentar numerosas lesiones o cambios patológicos causados por el crecimiento del tumor, y capturarlos todos es crucial para obtener una visión integral de su condición. Las imágenes desempeñan un papel vital en el diagnóstico del cáncer, ya que determinar con precisión la ubicación, el tamaño y el tipo de tumores es esencial para seleccionar el tratamiento adecuado. Dos técnicas de imagen clave que se utilizan son la tomografía por emisión de positrones (PET) y la tomografía computarizada (TC). La PET utiliza radionúclidos para visualizar los procesos metabólicos en el cuerpo, ya que la actividad metabólica de los tumores malignos es significativamente mayor que la del tejido benigno. Para este propósito, se utiliza comúnmente la flúor-18-desoxiglucosa (FDG), una glucosa marcada radiactivamente. Por el contrario, la TC explora el cuerpo capa por capa con un tubo de rayos X para visualizar las estructuras anatómicas y localizar los tumores. Los médicos a menudo marcan manualmente los tamaños de los tumores en imágenes de cortes 2D, un proceso que requiere mucho tiempo y trabajo.

La inteligencia artificial (IA) ha demostrado un gran potencial para mejorar el análisis de imágenes médicas. Los algoritmos de aprendizaje profundo, por ejemplo, pueden identificar automáticamente la ubicación y el tamaño de los tumores. Al automatizar este proceso, se puede lograr un importante ahorro de tiempo y los resultados pueden ser más consistentes y precisos. Los siete mejores equipos participantes en AutoPET, una competición internacional de análisis de imágenes médicas, han publicado en la revista Nature Machine Intelligence un informe sobre cómo los algoritmos pueden detectar lesiones tumorales en PET y TC. Investigadores del Instituto Tecnológico de Karlsruhe (KIT, Karlsruhe, Alemania) participaron en la competición AutoPET 2022 y obtuvieron el quinto puesto entre 27 equipos, con 359 participantes de todo el mundo. La competición encomendó a los equipos la tarea de segmentar automáticamente las lesiones tumorales metabólicamente activas visualizadas en exploraciones PET/TC de cuerpo entero.

Los equipos utilizaron un gran conjunto de datos PET/CT anotados para entrenar sus algoritmos, todos ellos basados en técnicas de aprendizaje profundo. Esta forma de aprendizaje automático utiliza redes neuronales artificiales de múltiples capas para detectar patrones complejos y correlaciones dentro de grandes conjuntos de datos. Los resultados, publicados ahora en Nature Machine Intelligence, muestran que la combinación de los algoritmos de mayor rendimiento en un enfoque de conjunto supera a los modelos individuales en la detección de lesiones tumorales con alta eficiencia y precisión. Los investigadores señalan que es necesario un mayor refinamiento de estos algoritmos para mejorar su resistencia a las variables externas, de modo que puedan implementarse de manera efectiva en entornos clínicos de rutina. El objetivo final es automatizar por completo el análisis de imágenes médicas PET y TC en un futuro cercano.

"Si bien el rendimiento de los algoritmos en la evaluación de datos de imágenes depende en parte de la cantidad y la calidad de los datos, el diseño del algoritmo es otro factor decisivo, por ejemplo en lo que respecta a las decisiones que se toman en el posprocesamiento de la segmentación prevista", explicó el investigador del KIT Rainer Stiefelhagen.