Un nuevo estudio aplica la inteligencia artificial al diagnóstico del cáncer Por Euronews
08.09.2024 11:36
Los científicos han diseñado un nuevo modelo de inteligencia artificial (IA) que podría ser capaz de diagnosticar y evaluar múltiples tipos de cáncer.
Según los investigadores, el nuevo modelo, denominado Clinical Histopathology Imaging Evaluation Foundation (CHIEF), es hasta un 36% más eficaz que otros modelos de aprendizaje profundo para detectar el cáncer, determinar el origen del tumor y predecir los resultados en los pacientes.
El equipo dirigido por investigadores de la Facultad de Medicina de Harvard quería que el modelo fuera ampliamente aplicable a través de diferentes tareas de diagnóstico, ya que muchos modelos actuales de aprendizaje mediante IA para el cáncer están entrenados para realizar funciones específicas.
Una segunda opinión precisa y en tiempo real
«A diferencia de los métodos existentes, nuestra herramienta de IA proporciona a los médicos una segunda opinión precisa y en tiempo real sobre los diagnósticos de cáncer al considerar un amplio espectro de tipos y variaciones de cáncer», dijo Kun-Hsing Yu, profesor asistente de Informática Biomédica en la Facultad de Medicina de Harvard y autor principal del estudio, a ‘Euronews Health’
¿Cómo funciona?
El modelo se entrenó con más de 15 millones de imágenes patológicas diferentes, «lo que aumenta su fiabilidad en el diagnóstico de cánceres con características diferentes», añadió Yu.
A continuación, utilizaron más de 60.000 imágenes de alta resolución de portaobjetos de tejidos «para seguir desarrollando nuestro modelo de IA y perfeccionarlo para tareas específicas de predicción genética y clínica».
Related
Los investigadores probaron su modelo con más de 19.400 imágenes de 24 hospitales y numerosos pacientes de todo el mundo, y publicaron los resultados en la revista ‘Nature’ el pasado miércoles.
Según el equipo, el modelo funciona leyendo diapositivas digitales de tejidos tumorales y puede predecir su perfil molecular basándose en las características de la imagen. También puede identificar características de un tumor relacionadas con la respuesta del paciente al tratamiento.
Una precisión de casi el 94%
Según una métrica de rendimiento del modelo, alcanzó una precisión de casi el 94% en la detección de células cancerosas en 11 tipos de cáncer. «En determinadas aplicaciones, como la identificación de células de cáncer de colon o la predicción de mutaciones genéticas, el rendimiento de nuestro modelo alcanzó el 99,43%», afirma Yu.
Los investigadores esperan que el modelo de IA ayude a los médicos a evaluar con mayor precisión el tumor de un paciente. El nuevo modelo «representa un avance prometedor» en la aplicación de la IA a la oncología, según Ajit Goenka, profesor de radiología de la Clínica Mayo de EE.UU., que no participó en el estudio.
Agilizar las evaluaciones diagnósticas preliminares
Según explicó a ‘Euronews Health’ en un correo electrónico, podría «agilizar las evaluaciones diagnósticas preliminares» y proporcionar a los patólogos una herramienta que analice las diapositivas para «resaltar las áreas críticas para un examen más detallado».
«A pesar de estas capacidades, la exactitud de CHIEF en diversos entornos clínicos aún no se ha probado rigurosamente, y no se puede ignorar la posibilidad de sesgos derivados de su entrenamiento en grandes conjuntos de datos, posiblemente no representativos», dijo Goenka, que investiga el uso de la IA para mejorar el diagnóstico del cáncer de páncreas.
¿Qué le espera al modelo de IA?
El paso que queda antes de que CHIEF se utilice en las consultas médicas es recibir la aprobación reglamentaria. «Para lograrlo, estamos poniendo en marcha un estudio clínico prospectivo para validar el modelo CHIEF en entornos clínicos reales», explicó Yu, quien añadió que también están trabajando para ampliar su capacidad de detección de cánceres raros.
Goenka añadió que, para su uso clínico, el modelo necesitará «una amplia validación en entornos reales, que abarque diversos grupos demográficos de pacientes y condiciones clínicas variables. Esta validación es crucial para garantizar que el rendimiento del modelo no sólo es teóricamente superior, sino también prácticamente fiable en la práctica clínica diaria».
