Algoritmos de aprendizaje profundo mejoran la detección de tumores en exploraciones PET/TC
Actualizado el 08 Jan 2025
Las técnicas de diagnóstico por imágenes son esenciales para el diagnóstico del cáncer, ya que determinar con precisión la ubicación, el tamaño y el tipo de tumores es fundamental para seleccionar el tratamiento adecuado. Los métodos de diagnóstico por imágenes clave incluyen la tomografía por emisión de positrones (PET) y la tomografía computarizada (TC). La PET utiliza radionúclidos para visualizar la actividad metabólica dentro del cuerpo; los tumores malignos exhiben tasas metabólicas significativamente más altas que los tejidos benignos. Para esto, se utiliza comúnmente flúor-18-desoxiglucosa (FDG), una glucosa marcada radiactivamente.
En la TC, se escanea el cuerpo capa por capa utilizando un tubo de rayos X para visualizar las estructuras anatómicas y localizar los tumores. Los pacientes con cáncer a menudo presentan numerosas lesiones (cambios patológicos resultantes del crecimiento del tumor) y es necesario capturar todas las lesiones para obtener una vista completa. Por lo general, los médicos marcan manualmente las lesiones tumorales en imágenes de cortes 2D, un proceso que requiere mucho tiempo. Un algoritmo automatizado para la evaluación podría reducir drásticamente el tiempo y mejorar la precisión del diagnóstico.
En 2022, investigadores del Instituto Tecnológico de Karlsruhe (KIT, Karlsruhe, Alemania) participaron en la competencia internacional autoPET y quedaron en quinto lugar entre 27 equipos, que comprendían 359 participantes a nivel mundial. autoPET combinó imágenes con aprendizaje automático para automatizar la segmentación de lesiones tumorales metabólicamente activas visibles en exploraciones PET/TC de cuerpo entero. Los equipos tuvieron acceso a un gran conjunto de datos PET/TC anotados para entrenar sus algoritmos. Todas las presentaciones finales se basaron en el aprendizaje profundo, un tipo de aprendizaje automático que utiliza redes neuronales artificiales de múltiples capas para identificar patrones complejos y correlaciones en grandes conjuntos de datos. Los siete equipos líderes de la competencia compartieron recientemente sus hallazgos en la revista Nature Machine Intelligence, destacando el potencial del análisis automatizado en imágenes médicas.
Los investigadores encontraron que un conjunto de los algoritmos de mejor desempeño superó a los modelos individuales. Este enfoque conjunto permitió una detección más eficiente y precisa de las lesiones tumorales. Aunque el rendimiento del algoritmo está influenciado por la calidad y cantidad de datos, el diseño del algoritmo, particularmente las decisiones tomadas en el procesamiento posterior de las segmentaciones predichas, también juega un papel crítico. Los investigadores señalaron que se necesitan más mejoras para aumentar la resistencia de los algoritmos a los factores externos, con el objetivo de que sean adecuados para el uso clínico de rutina. El objetivo final es automatizar por completo el análisis de datos de imágenes médicas PET y TC en un futuro próximo.
