La IA de Valdecilla que criba el tumor de próstata "por pequeño que sea"

La variabilidad en las condiciones preanalíticas de las biopsias, la heterogeneidad tumoral y la dificultad para distinguir aquellos de bajo grado de las lesiones benignas hacen del diagnóstico del cáncer de próstata un auténtico desafío para los profesionales. Con la Inteligencia Artificial como aliada, el Servicio de Anatomía Patológica del Hospital Universitario Marqués de Valdecilla echaba un pulso a la enfermedad desarrollando su propio algoritmo para desechar barreras en su detección y apoyar los sistemas de cribados en la práctica clínica.

Aunque todavía es pronto para hablar del impacto real de esta herramienta, aún en una etapa temprana, lo cierto es que sus creadores esperan que transforme, en gran medida, el trabajo diario del Servicio, estableciendo un sistema de triaje que ayude al patólogo a priorizar los casos malignos y aportando una "segunda opinión" para que "no pase desapercibido ningún tumor por pequeño que sea", explica Adriana K. Calapaqui desde el Servicio de Anatomía Patológica del centro cántabro.

Optimización de tareas y cuantificación tumoral

Se espera que este modelo también facilite la cuantificación tumoral y optimice las tareas, al disminuir el tiempo que se emplea a la hora de redactar un informe y distribuir mejor el que se destina al análisis de las biopsias. La especialista suma a la lista otra ventaja ligada al uso de esta herramienta predictiva como es la mejora de la formación de los futuros patólogos.

De momento, este proyecto colaborativo ha superado la fase inicial, y la "más valiosa del proceso", como es la creación de un conjunto de datos (dataset) necesarios para desarrollar el sistema de análisis basado en IA y con el suficiente "nivel de detalle" como para ser capaz de indicar "una a una todas las estructuras presentes en una biopsia". Con más de 15.000 anotaciones, este archivo recoge datos de tumor, "pero también una gran cantidad de glándulas benignas las cuales tienen variaciones de la normalidad como cambios atróficos totales o parciales, hipertrofias, cambios reactivos secundarios a inflamación o metaplasias, entre otros".

Entrenamiento del algoritmo y variaciones digitales

El siguiente paso será entrenar al sistema para que el algoritmo pueda conocer "este tipo de variaciones", -como "la coloración, artefactos en el tejido de la biopsia o en la imagen digital o probables variaciones de acuerdo al escáner con el que fue creada la imagen digital"-, interpretándolas de manera correcta para evitar errores diagnósticos. Y es que, "sin una presentación y entrenamiento adecuado en los algoritmos de IA, pueden llegar a confundirse fácilmente con tumores de bajo grado", advierte la patóloga.

Es por ello que el Servicio ya ha solicitado recursos para financiar esta segunda fase, donde ya se aplicarán todas las técnicas de análisis de datos avanzadas, y no descarta optar a la convocatoria de ayudas INN-VAL, desde la que "se impulsan proyectos de nuevo desarrollo que muestren potencial de transferencia al Sistema Nacional de Salud".

Reducción de falsos positivos y negativos

Aún así, ya solo la consecución de la base de datos es vista como un hito reconocido a nivel internacional por la comunidad científica de Medical Image Computing and Computer Assisted Intervention, conscientes, afirma Calapaqui, del "enorme trabajo que hay detrás y del gran potencial que tiene para entrenar modelos de inteligencia artificial que puedan resultar útiles en la práctica clínica". En un futuro, esta IA podría llegar a ser útil a la hora de reducir los falsos positivos y negativos que salpican algunos sistemas de cribado oncológicos.

De hecho, como impulsora del proyecto, Calapaqui no descarta ampliar su arco de utilidad a otras patologías, capaces de beneficiarse de la colaboración multidisciplinar que ofrece el algoritmo. Lo que todavía no está tan claro es la posibilidad de compartir estos avances con otros centros del SNS. "El tema de la generalización de los resultados de los algoritmos IA es uno de los grandes caballos de batalla de este tipo de técnicas", admite la especialista. Su idea es utilizar "los datos de gran calidad generados en el dataset, con información sobre las condiciones reales del laboratorio de Anatomía Patológica y empezar con una prueba de concepto". Si el potencial observado es alto, el equipo está dispuesto a colaborar con más hospitales para hacer un modelo más robusto y exportable.

Colaboración entre expertos y tecnología

"Nuestra intención es seguir explorando cómo podemos avanzar juntos", explica, convencida de que la única manera de hacer herramientas automáticas de utilidad real es que los expertos y los profesionales sanitarios trabajen mano a mano". La falta de este requisito, detalla, arroja herramientas que, a pesar de ser "muy potentes", no resultan de utilidad "porque solo se basan en lo que aportan los datos, sin haber recogido adecuadamente todo lo que puede aportar la experiencia directa del patólogo y su realidad diaria", sentencia.