Google y Northwestern desarrollan un modelo de aprendizaje profundo para la detección del cáncer de pulmón

images/noticias/1623840540-GoogleyNorthwesterndesarrollanunmodelodeaprendizajeprofundoparaladetecciondelcancerdepulmon.jpg

Un sistema de aprendizaje profundo desarrollado por Google y Northwestern medicine ha demostrado ser tan capaz como o incluso mejor que los radiólogos expertos en la detección de nódulos pulmonares malignos, según el nuevo estudio.

Aplicada a las tomografías computarizadas de tórax de dosis bajas, la solución ofrece un sistema automatizado de evaluación de imagen que mejora la precisión del diagnóstico precoz del cáncer de pulmón para que el tratamiento pueda llevarse a cabo antes.

El objetivo es reducir las altas tasas de errores y el acceso limitado a las pruebas de detección que hacen que muchos casos se detecten en etapas avanzadas, cuando son más difíciles de tratar.

Los radiólogos ya utilizan una variedad de diferentes tecnologías de “detectores de nódulos” y otras técnicas de manipulación de la imagen para ayudar a encontrar el cáncer de pulmón.

Esto representa una evolución significativa de las herramientas que hemos mostrado en miles de tomografías computarizadas retrospectivas para trabajar de manera más efectiva,” dijo a HCB News co-autor del estudio, el Dr. Mazziyar Etemadi, profesor asistente de investigación de anestesiología de la Facultad de medicina Feinberg de la Univerdad Northwestern y de ingeniería de la Facultad de ingeniería McCormick.

“Tener una herramienta como esta, son su alta precisión asociada y una baja tasa en falsos positivos, puede darles la confianza para decirles que sus pacientes van a asegurarse de que ellos tienen cáncer o no lo tienen”.

La causa más común de muerte por cáncer es el cáncer de pulmón que mató a aproximadamente a 160.000 personas en 2018 en los EE.UU. Los grandes ensayos clínicos en EE.UU  y Europa han demostrado que el dolor torácico puede identificar el cáncer y reducir la tasa de mortalidad.

El sistema identifica una zona de interés e indica si la zona muestra signos de un alto riesgo de cáncer de pulmón. Se basa en tomografías computarizadas primarias y, cuando están disponibles, en tomografías previas del paciente. La ayuda a predecir los riesgos de malignidad, ya que la tasa de crecimiento de los nódulos pulmonares sospechosos puede ser indicativa de malignidad.

Desarrollado por científicos de Google, el modelo de aprendizaje profundo fue entrenado usando 2.763 equipos de tomografía computarizada de tórax de dosis baja completamente de no identificados y confirmados por biopsias del Almacén Electrónico  de Datos de Northwestern Medicine y otras fuentes de datos. Cuando se probó inicialmente, la solución fue capaz de detectar nódulos pulmonares malignos a veces minúsculos con un modelo de AUC de 0.94 casos de prueba.

Esto se utilizó junto con seis radiólogos para evaluar los LDCTs de los pacientes, algunos de los cuales fueron diagnosticados en el plazo de un año después de la biopsia. En los casos que carecían de imágenes por TAC previas, la solución superó a los seis, y se desempeñó  también como ellos en los casos en los que se disponía de imágenes previas.

Los autores del plan de estudio para implementar el sistema de poblaciones de pacientes más grande para su posterior validación clínica, así como para presentarlo eventualmente a la aprobación de la FDA.

“Uno de las mejores partes de este proyecto y de trabajar con Google es que desde el día, dijeron que el objetivo era que esto se utilizara activamente en la atención de los pacientes”.

“Ellos, mejor que nadie, entienden que esto significa que publicar un estudio retrospectivo es solo el principio. Este es un cambio refrescante desde la academia donde la publicación es el objetivo final.

Tienen experiencia en llevar los productos para cientos de millones de usuarios- con el mismo nivel de calidad y rigor que un producto clínico, con, por siguiente, la seguridad y el rigor que con lleva un producto clínico”.

Los hallazgos fueron publicados en la revista, Nature medicine.