La IA «autodidacta» ayuda a diagnosticar y predecir la gravedad del cáncer de pulmón

Un programa informático basado en datos de casi medio millón de imágenes de tejidos y impulsado por inteligencia artificial (IA) puede diagnosticar con precisión casos de adenocarcinoma, la forma más común de cáncer. Cáncer de pulmónUn nuevo estudio lo demostró.

Investigadores de NYU Langone Health Centro de cáncer Perlmutter La Universidad de Glasgow en Escocia desarrolló y probó el programa. Dicen que debido a que incluye características estructurales de tumores de 452 pacientes con adenocarcinoma, que se encuentran entre más de 11.000 pacientes en el Atlas del Genoma del Cáncer del Instituto Nacional del Cáncer de EE. UU., el programa proporciona una segunda opinión imparcial, detallada y confiable a pacientes y oncólogos sobre la presencia del cáncer y la probabilidad y el momento de su reaparición, también conocido como su diagnóstico.

El equipo de investigación también señala que el programa es independiente y «hecho a sí mismo», lo que significa que identifica por sí solo qué características estructurales fueron estadísticamente más significativas para medir la gravedad de la enfermedad y tuvieron el mayor impacto en la recurrencia del tumor.

Publicado online el 11 de junio en la revista Comunicaciones de la naturaleza, descubrió que el software de estudio, también llamado algoritmo, o más específicamente aprendizaje de fenotipado histológico (HPL), distinguía con precisión entre cánceres de pulmón similares (adenocarcinoma y carcinoma de células escamosas) el 99 por ciento de las veces. Los investigadores también encontraron que el software HPL tenía una precisión del 72% al predecir la probabilidad y el momento de reaparición del cáncer después del tratamiento, mejorando la precisión del 64% de las predicciones hechas por patólogos que examinaron directamente imágenes de tumores de los mismos pacientes, dicen los investigadores.

“Nuestro nuevo programa de aprendizaje de fenotipado de tejidos tiene el potencial de brindar a los especialistas en cáncer y a sus pacientes una herramienta de diagnóstico rápida e imparcial para el adenocarcinoma de pulmón que, una vez que se completan las pruebas adicionales, también puede usarse para ayudar a validar e incluso guiar sus decisiones de tratamiento. » él dijo. El investigador principal del estudio, Nicholas Coudray, PhD, programador de bioinformática de la Facultad de Medicina Grossman de la Universidad de Nueva York y el Centro Oncológico Perlmutter.

«Los pacientes, los médicos y los investigadores saben que pueden confiar en este modelo predictivo porque es de autoestudio, proporciona decisiones interpretables y se basa únicamente en el conocimiento derivado específicamente del tejido de cada paciente, incluidas características como el porcentaje de células moribundas y la porcentaje de células muertas”, dijo el Dr. Coudray, “células inmunitarias que combaten los tumores y la densidad de las células cancerosas”.

«Nuestro programa informático ahora puede analizar muestras de tejido pulmonar en minutos para proporcionar predicciones bastante precisas sobre si el cáncer regresará, predicciones que son mejores que los estándares actuales de atención para el diagnóstico del adenocarcinoma de pulmón», afirmó el investigador principal del estudio. Aristotis Tsirigos, Ph.D.. El Dr. Tsirigos es profesor en los departamentos. Patología Y Medicamento en la Facultad de Medicina Grossman de la Universidad de Nueva York y miembro del Centro Oncológico Perlmutter; También se desempeña como Director Asociado de Medicina de Precisión y Director de NYU Langone. Laboratorios de bioinformática aplicada.

Gracias a estas herramientas y otros avances en el aprendizaje sobre la biología del cáncer de pulmón, los patólogos examinarán el tejido con más frecuencia mediante escaneos en las pantallas de sus computadoras y menos a través de microscopios, y luego usarán su propio software de inteligencia artificial para analizar y producir la imagen, dijo el Dr. dice Tsirigos. Su propia foto para escanear.

Añaden que la nueva imagen, o «paisaje», proporcionará un análisis detallado del contenido del tejido. Podríamos ver, por ejemplo, que hay un 5% de necrosis y un 10% de infiltración tumoral y lo que eso significa en términos de supervivencia. Esta lectura equivaldría estadísticamente a una probabilidad del 80% de permanecer libre de cáncer durante dos años o más, según la información de todos los datos de los pacientes del programa.

Para desarrollar HPL, los investigadores primero analizaron portaobjetos de tejido de adenocarcinoma de pulmón del Atlas del genoma del cáncer. Se eligió el adenocarcinoma como modelo de prueba porque se sabe que la enfermedad tiene características distintas. Por ejemplo, observaron que las células cancerosas tendían a agruparse en los llamados patrones similares a quistes, extendiéndose de manera predecible a lo largo del revestimiento superficial de las células pulmonares.

A través del análisis de las diapositivas, cuyas imágenes visuales fueron escaneadas digitalmente y divididas en 432.231 pequeños cuadrados o mosaicos, los investigadores encontraron 46 características clave, que denominan grupos fenotípicos histológicos, de tejido normal y enfermo. Un subconjunto de estos grupos se asoció estadísticamente con la recurrencia temprana del cáncer o con la supervivencia a largo plazo. Luego, los hallazgos fueron confirmados mediante pruebas adicionales separadas en imágenes de tejido de 276 hombres y mujeres tratados por adenocarcinoma en NYU Langone entre 2006 y 2021.

Los investigadores dicen que su objetivo es utilizar el algoritmo HPL para asignar a cada paciente una puntuación entre 0 y 1 que refleje sus posibilidades estadísticas de supervivencia y recurrencia del tumor hasta por cinco años. Destacan que debido a que HPL es de autoaprendizaje, el software será cada vez más preciso a medida que se agreguen más datos con el tiempo. Para generar confianza pública, los investigadores publicaron su investigación. Código de programación en línea Tienen planes de hacer que la nueva herramienta HPL esté disponible de forma gratuita una vez finalizadas las pruebas adicionales.

Las características asociadas con los tumores recurrentes incluían altas proporciones de células cancerosas muertas, células inmunes que combaten los tumores llamadas linfocitos y densos grupos de células cancerosas en el revestimiento externo de los pulmones. Las características asociadas con una mayor probabilidad de supervivencia fueron altas proporciones de tejido de quiste pulmonar conservado o sin cambios y la falta o presencia moderada de células inflamatorias.

El Dr. Tsirigos dice que el equipo planea a continuación desarrollar programas similares a HPL para otros cánceres, por ejemplo Pecho, OvarioY Colon y recto, que de manera similar se basa en características morfológicas importantes y distintas y datos moleculares adicionales. El equipo también tiene planes de ampliar y mejorar la precisión del software HPL de adenocarcinoma actual al incluir otros datos de los registros médicos electrónicos del hospital sobre otras afecciones y enfermedades, o incluso ingresos y código postal del hogar.

referencia: Claudio Quirós A, Coudray N, Yeaton A, et al. Mapeo de fenotipos histológicos de cáncer mediante aprendizaje autosupervisado en diapositivas de patología sin anotaciones. Nat común. 2024;15(1):4596. doi: 10.1038/s41467-024-48666-7

Este artículo se ha vuelto a publicar desde abajo. Material. Nota: Es posible que el material haya sido editado en cuanto a extensión y contenido. Para obtener más información, póngase en contacto con la fuente antes mencionada. Puedes acceder a nuestra política de notas de prensa aquí.