La IA predice la recurrencia del glioma pediátrico mediante múltiples escáneres cerebrales

La IA predice la recurrencia del glioma pediátrico mediante múltiples escáneres cerebrales

La inteligencia artificial (IA) es tremendamente prometedora para analizar grandes conjuntos de datos de imágenes médicas e identificar patrones que los observadores humanos pueden pasar por alto. La interpretación de escáneres cerebrales asistida por IA puede ayudar a mejorar la atención de los niños con tumores cerebrales llamados gliomas, que normalmente son tratables pero varían en riesgo de recurrencia. Investigadores del General Brigham y el personal del Boston Children's Hospital y el Dana-Farber/Boston Children's Cancer and Blood Disorders Center han entrenado algoritmos de aprendizaje profundo para utilizar tecnología cerebral secuencial para analizar escáneres cerebrales posteriores al tratamiento para detectar pacientes en riesgo de recurrencia del cáncer. Sus resultados serán publicados enLa Revista de Medicina de Nueva Inglaterra (IA).

Muchos gliomas pediátricos se pueden curar únicamente con cirugía, pero cuando ocurren recaídas pueden ser devastadoras. Es muy difícil predecir quién puede tener una recurrencia. Por lo tanto, los pacientes serán sometidos a un seguimiento frecuente con imágenes por resonancia magnética (RM) durante muchos años, un proceso que puede resultar estresante y angustiante para los niños y las familias. Necesitamos mejores herramientas para identificar tempranamente qué pacientes tienen mayor riesgo de recurrencia. “

Benjamin Kann, MD, autor correspondiente del Programa de Inteligencia Artificial en Medicina (AIM) del Mass General Brigham y del Departamento de Oncología Radioterápica del Brigham and Women's Hospital

Los datos limitados pueden cuestionar los estudios de enfermedades relativamente raras, como los cánceres pediátricos. Este estudio, financiado en parte por los Institutos Nacionales de Salud, informó asociaciones institucionales en todo el país para recopilar casi 4000 exploraciones por resonancia magnética de 715 pacientes pediátricos. Para maximizar lo que la IA podría "aprender" de los escáneres cerebrales de un paciente y predecir la recurrencia con mayor precisión, los investigadores utilizaron una técnica llamada aprendizaje temporal, que entrena al modelo para sintetizar los resultados de múltiples escáneres cerebrales realizados en el transcurso de unos meses después de la cirugía.

Normalmente, los modelos de IA de imágenes médicas están entrenados para sacar conclusiones de escaneos individuales. Utilizando el aprendizaje temporal, que no se había utilizado anteriormente en la investigación de IA para imágenes médicas, las imágenes a lo largo del tiempo informan la predicción del algoritmo sobre la recurrencia del cáncer. Para desarrollar el modelo de aprendizaje temporal, los investigadores primero entrenaron el modelo para secuenciar las resonancias magnéticas posteriores a la cirugía de un paciente en orden cronológico para que el modelo pueda aprender a detectar cambios sutiles. A partir de ahí, los investigadores ajustaron el modelo para asociar correctamente los cambios, si fuera necesario, con la posterior recurrencia del cáncer.

En última instancia, los investigadores descubrieron que el modelo de aprendizaje temporal había predicho la recurrencia de glioma de bajo o alto grado un año después del tratamiento con una precisión del 75 al 89 por ciento, significativamente mejor que la precisión que utilizaba predicciones basadas en imágenes individuales, que era aproximadamente del 50 por ciento (no mejor que el azar). Proporcionar a la IA imágenes de puntos de tiempo adicionales después del tratamiento aumentó la precisión predictiva del modelo, pero solo se necesitaron de cuatro a seis imágenes antes de que se aplicara este nivel de mejora.

Los investigadores advierten que se requiere una validación adicional mediante configuraciones adicionales antes del uso clínico. En última instancia, esperan lanzar ensayos clínicos para determinar si las predicciones de riesgo basadas en IA pueden conducir a mejoras en la atención, ya sea reduciendo la frecuencia de las imágenes para los pacientes de menor riesgo o tratando preventivamente a los pacientes de alto riesgo con terapias adyuvantes dirigidas.

"Hemos demostrado que la IA es capaz de analizar y hacer predicciones existentes a partir de múltiples imágenes, no solo escaneos individuales", dijo el primer autor Divyanshu Tak, MS, del programa AIM en Mass General Brigham y el Departamento de Oncología Radioterápica de Brigham. "Esta técnica se puede aplicar en muchos entornos donde los pacientes reciben imágenes longitudinales en serie, y estamos entusiasmados de ver qué inspirará este proyecto".

Fuentes: