La clasificación de los tumores cerebrales puede volverse más precisa con el uso de inteligencia artificial e imágenes fisiológicas

La clasificación de los tumores cerebrales puede volverse más precisa con el uso de inteligencia artificial e imágenes fisiológicas

La clasificación de los tumores cerebrales, y por lo tanto la elección de las opciones de tratamiento óptimas, puede volverse más exacta y precisa mediante el uso de inteligencia artificial en combinación con imágenes fisiológicas. Este es el resultado de un extenso estudio realizado por la Universidad Karl Landsteiner de Ciencias de la Salud (KL Krems). Se utilizaron métodos de aprendizaje automático multiclase para analizar y clasificar los tumores cerebrales utilizando datos fisiológicos de imágenes de resonancia magnética. Luego, los resultados se compararon con las clasificaciones realizadas por expertos humanos. Se encontró que la inteligencia artificial es superior en las áreas de exactitud, precisión y clasificación errónea, entre otras, mientras que los profesionales se desempeñaron mejor en sensibilidad y especificidad.

Los tumores cerebrales pueden detectarse fácilmente mediante imágenes por resonancia magnética (MRI), pero su clasificación exacta es difícil de esta manera. Sin embargo, eso es precisamente lo que es crucial para elegir las mejores opciones de tratamiento posibles. Ahora, un equipo internacional dirigido por KL Krems ha utilizado datos de métodos modernos de resonancia magnética como base para protocolos de aprendizaje automático (ML) y evaluó el uso de inteligencia artificial para clasificar tumores cerebrales. Descubrieron que, en ciertas áreas, la clasificación mediante inteligencia artificial puede ser superior a la realizada por profesionales capacitados.

Más resonancia magnética. Más datos

El equipo dirigido por el profesor Andreas Stadlbauer, científico del Instituto Central de Diagnóstico de Radiología Médica del Hospital Universitario de St. Pölten, utilizó datos de resonancia magnética avanzada y fisiológica para el estudio. Ambos métodos brindan una mejor comprensión de la estructura y el metabolismo de un tumor cerebral y han permitido una mejor clasificación durante algún tiempo. Pero el precio a pagar por una imagen tan diferenciada es una enorme cantidad de datos que deben evaluarse de manera experta.

Ahora hemos analizado si y cómo se puede habilitar una inteligencia artificial que use ML para apoyar a profesionales capacitados en esta tarea hercúlea. Y los resultados son muy prometedores. Cuando se trata de exactitud, precisión y evitar la clasificación errónea, una IA puede clasificar bien los tumores cerebrales utilizando datos de resonancia magnética”.

Prof. Andreas Stadlbauer, Científico, Instituto Central de Diagnóstico de Radiología Médica, Hospital Universitario de St. Pölten

Para lograr este impresionante resultado, el equipo entrenó nueve algoritmos de aprendizaje automático multiclase bien conocidos con datos de resonancia magnética de 167 pacientes anteriores que tenían uno de los cinco tumores cerebrales más comunes y tenían una clasificación precisa mediante histología. Se generaron un total de 135 denominados clasificadores en un protocolo complejo. Estas son funciones matemáticas que asignan el material a examinar a categorías específicas. “A diferencia de estudios anteriores, también tuvimos en cuenta los datos de resonancias magnéticas fisiológicas”, explica el profesor Stadlbauer. “Esto incluyó detalles sobre la arquitectura vascular de los tumores y su formación de nuevos vasos, así como el suministro de oxígeno al tejido tumoral”.

radiofisionomía

El equipo denominó “radiofisómica” a la combinación de datos de diferentes métodos de MRI con ML multiclase. Es un término que probablemente se popularice rápidamente, ya que el potencial de este enfoque se hizo evidente en la segunda parte del proyecto, la fase de prueba. En esto, los algoritmos ML multiclase ahora entrenados se alimentaron con los datos de resonancia magnética correspondientes de 20 pacientes actuales con tumores cerebrales y los resultados de las clasificaciones así obtenidas se compararon con los de dos radiólogos certificados. Por lo tanto, los dos mejores algoritmos de ML (denominados “impulso adaptativo” y “bosque aleatorio”) superaron los resultados de la evaluación humana en las áreas de exactitud y precisión. Además, estos algoritmos de ML dieron como resultado menos errores de clasificación que los profesionales (5 frente a 6). Por otro lado, en lo que respecta a la sensibilidad y especificidad de la evaluación, las evaluaciones humanas demostraron ser más precisas que la IA probada.

“Esto también deja en claro”, dice el Prof. Stadlbauer, “que el enfoque ML no debe ser un sustituto de la clasificación realizada por personal calificado, sino más bien un complemento. Además, el tiempo y el esfuerzo requeridos para este enfoque aún son actualmente muy alto, pero ofrece una posibilidad cuyo potencial se debe seguir investigando para el uso clínico diario”. En general, este estudio demuestra una vez más el enfoque de la investigación en KL Krems en los hallazgos fundamentales con un valor agregado clínico real.