La herramienta de inteligencia artificial para imágenes PET permite la detección y evaluación totalmente automatizadas de tumores cerebrales

La tomografía por emisión de positrones (PET) se está convirtiendo en una herramienta fundamental para diagnosticar tumores cerebrales, lo que se suma a los conocimientos proporcionados por las resonancias magnéticas tradicionales. En los últimos años, numerosos estudios han revelado la utilidad de evaluar el volumen tumoral metabólico para estimar la eficacia de los tratamientos para los tumores cerebrales. Sin embargo, estas evaluaciones suelen llevar mucho tiempo y, por lo tanto, no suelen realizarse en entornos clínicos habituales. Ahora, una nueva herramienta de inteligencia artificial (IA) ofrece un método automatizado, simple y objetivo para identificar y evaluar tumores cerebrales. Diseñado para funcionar con exploraciones PET con aminoácidos, este algoritmo de aprendizaje profundo también puede evaluar rápidamente la respuesta de un paciente al tratamiento con el mismo nivel de precisión que un médico experimentado.

Este algoritmo de segmentación basado en aprendizaje profundo para la evaluación volumétrica integral y automatizada de exploraciones PET con aminoácidos ha sido desarrollado por un equipo de investigadores del Instituto de Neurociencia y Medicina (INM, Juelich, Alemania). Los investigadores también han probado su eficacia para evaluar las respuestas al tratamiento en pacientes con gliomas. El equipo analizó 699 exploraciones PET con 18F-FET (ya sea iniciales o de seguimiento) tomadas de 555 personas con tumores cerebrales. El algoritmo se configuró utilizando conjuntos de datos de entrenamiento y de prueba, y se midieron los cambios en los volúmenes metabólicos de los tumores.

Además, el algoritmo se aplicó a los datos de un estudio PET con 18F-FET publicado recientemente que examinó las respuestas al tratamiento en pacientes con glioblastoma que se sometieron a quimioterapia adyuvante con temozolomida. Luego se comparó la evaluación del algoritmo con el juicio de un médico capacitado, como se documenta en ese estudio. Dentro del conjunto de datos de prueba, el algoritmo identificó con precisión el 92 % de las lesiones que mostraron una mayor captación y el 85 % de las lesiones con captación isométrica o hipometabólica. Los cambios detectados por el algoritmo en el volumen metabólico del tumor se alinearon significativamente con las predicciones de las tasas de supervivencia general y libre de enfermedad, lo que confirmó las observaciones realizadas por el médico. Para ayudar a su adopción en entornos clínicos, este algoritmo de segmentación es de acceso abierto y se puede ejecutar en una computadora estándar equipada con GPU en menos de dos minutos sin requerir ningún procesamiento previo.

"Estos hallazgos resaltan el valor del algoritmo de segmentación basado en aprendizaje profundo para la mejora y automatización de la toma de decisiones clínicas basada en la evaluación volumétrica de PET con aminoácidos", dijo Philipp Lohmann, PhD, profesor asistente (Habilitación) en Física Médica y líder del equipo de Análisis Cuantitativo de Imágenes e IA en el INM. "La herramienta de segmentación desarrollada en nuestro estudio podría ser una plataforma importante para promover aún más la PET con aminoácidos y fortalecer su valor clínico, lo que puede brindar a los pacientes con tumores cerebrales acceso a información de diagnóstico importante que antes no estaba disponible o era difícil de obtener".

Enlaces relacionados:
INM