Cómo la IA ayuda a detectar el cáncer de próstata

 

Cómo la IA ayuda a detectar el cáncer de próstata

Anualmente, alrededor de 20 millones de hombres se someten a pruebas de detección de antígeno prostático y 1,3 millones experimentan una biopsia intrusiva para analizar unos 200.000 nuevos casos, la mitad de los cuales terminan siendo indolentes. Alrededor de 30.000 hombres mueren a causa de la enfermedad de la próstata (PCa) anualmente. Significativamente, se estima que se gastan 8.000 millones de dólares en biopsias inútiles. Por consiguiente, se espera que un análisis integrador y un modelo predictivo de anticipación ayuden a reconocer sólo los tipos mortales y agresivos de la enfermedad.

Se predice que el crecimiento del cáncer de próstata es la principal razón de la nueva enfermedad para los hombres y la segunda razón más sucesiva de muerte después del cáncer de pulmón. También es un cáncer difícil de identificar, y las pequeñas lesiones pueden involucrar sólo una pequeña cantidad del 1% de la superficie del tejido.

Los investigadores han creado otro marco de inteligencia artificial (IA) para permitir a los radiólogos mejorar su capacidad de analizar las enfermedades de la próstata. El marco, llamado FocalNet, reconoce y predice la contundencia de la enfermedad evaluando las exploraciones de imágenes de resonancia magnética (IRM), y lo hace con una dimensión de precisión similar a la de los radiólogos experimentados.

FocalNet es un sistema neural artificial, que utiliza un algoritmo que contiene más de un millón de factores entrenables, como lo indican los analistas, entre ellos Ruiming Cao de la Universidad de California, Los Angeles.

El grupo de investigación del KTH y del Karolinska Institutet, dirigido por Joakim Lundeberg, educador de biología molecular del KTH, utilizó información obtenida de unas 6.750 pruebas de tejidos con transcriptómica espacial, una técnica que combina el tejido con el análisis cuantitativo de los genes activos, que ha sido creada por el KTH y el Karolinska Institutet en el SciLifeLab.

Como indicó Lundeberg, la utilización de los datos espaciales es una contribución importante. El análisis de la actividad genética del tumor de la próstata en un segmento de tejido aumenta significativamente la granularidad, en comparación con el examen regular del tumor.

Según él, han demostrado que la prueba de piezas distintivas de un tumor prostático similar indica contrastes sorprendentes en el nivel de actividad genética de las células malignas en cada sitio, al igual que las células no tumorales circundantes, por ejemplo, las células identificadas con reacción de inflamación propensas a estar conectadas al resultado del paciente.

Una investigación más para ayudar a resolver el problema, los especialistas de la Universidad de Cornell y el Memorial Sloan Kettering Cancer Center, una fundación de investigación y tratamiento del cáncer en la ciudad de Nueva York, construyeron una metodología basada en el aprendizaje profundo que identifica la enfermedad con mayor precisión. Los analistas creen que utilizando el conjunto de datos de biopsias del centro, el equipo construyó un marco de vanguardia que puede considerarse clínicamente significativo.

Los científicos expresaron en su documento de investigación que hasta hace poco tiempo los estudios dependían de conjuntos de datos del orden de un par de muchas diapositivas que son insuficientes para preparar un modelo que pueda funcionar a escala en la clínica. Aquí, han reunido un conjunto de datos que comprende 12.160 diapositivas, dos órdenes de magnitud más grandes que los conjuntos de datos anteriores en patología e idénticas a 25 veces el número de píxeles de todo el conjunto de datos de ImageNet. Dada la medida de su conjunto de datos, es factible para ellos entrenar un modelo de aprendizaje profundo bajo la sospecha del Aprendizaje de Instancia Múltiple (MIL) donde sólo el hallazgo general de la diapositiva es fundamental para el entrenamiento, manteniéndose alejado de todos los costosos comentarios en cuanto a los píxeles que son típicamente parte de los enfoques de aprendizaje supervisado.

Habida cuenta de los actuales esfuerzos por digitalizar el flujo de trabajo de la patología, enfoques como el suyo pueden tener mucho éxito en la estructuración de sistemas de apoyo a la toma de decisiones que puedan desplegarse adecuadamente en las clínicas.

Además, Lundeberg creía que tener esta sólida fuente de datos permite a las técnicas de IA desatendidas reconocer patrones genéticos que no pueden ser vistos a simple vista. Al tener un inmenso análisis genético de tejidos, puede servir de razón para una evaluación clínica basada en la IA de los tejidos destructivos y dar a entender la expresión genética en la condición de escala miniaturizada del tumor. Él cree que la inteligencia artificial sólo nos anima a hacer sistemas de vida de tejidos computarizados.

Emilie Berglund, suplente de doctorado en el KTH, declaró que la curación temprana de la malignidad esencial de la próstata es competente; en cualquier caso, separando a los que avanzarán a los casos agresivos y a los que se beneficiarán de lo que el tratamiento es todavía peligroso.

Leave a Comment!