Un equipo de investigación del
Dartmouth-Hitchcock Norris Cotton Cancer Center, en New Hampshire, EEUU, dirigido por Saeed Hassanpour, ha desarrollado un nuevo método de inteligencia artificial mediante aprendizaje profundo (
deep learning), capaz de identificar
tejido canceroso en el esófago sin necesidad de correcciones manuales.
La inteligencia artificial y los métodos de aprendizaje profundo han mostrado
resultados prometedores en el análisis de patrones histológicos en imágenes de microscopio. Sin embargo, para llevar a cabo esta tarea era necesario un proceso de anotación manual laborioso por parte de los patólogos llamado
"anotaciones de región de interés".
|
El nuevo enfoque trabaja sin necesidad de "anotaciones de región de interés" por parte de los patólogos
|
El equipo ha probado este nuevo enfoque para identificar tejido de esófago canceroso y precanceroso en imágenes de alta resolución sin entrenamiento en anotaciones de región de interés. "Nuestro nuevo enfoque ha superado al actual de vanguardia que requiere estas anotaciones detalladas para su entrenamiento", ha señalado Hassanpour. Sus resultados, se han publicado en
Jama Network.
Para el análisis de imágenes de histopatología, el proceso de anotación manual generalmente describe las regiones de interés en una imagen de diapositiva completa de alta resolución para facilitar el entrenamiento del modelo de computadora. "La anotación de datos es el
cuello de botella más laborioso y lento en el desarrollo de métodos modernos de aprendizaje profundo", ha señalado Hassanpour. "Nuestro estudio muestra que los modelos de aprendizaje profundo para el análisis de diapositivas de histopatología pueden entrenarse con etiquetas solo a nivel de tejido, eliminando así la necesidad de anotación de datos de alto costo y creando nuevas oportunidades para expandir la aplicación del aprendizaje profundo en la patología digital".
Mayor rendimiento y futuras investigaciones
El equipo propuso la red para la detección de esófago de Barrett y el adenocarcinoma de esófago y descubrió que su rendimiento supera el del método de vanguardia existente. "El resultado es significativo porque nuestro método se basa únicamente en
anotaciones a nivel de tejido, a diferencia de los métodos existentes que se basan en regiones anotadas manualmente", explica Hassanpour.
"Nuestro método facilitaría un rango más amplio de investigaciones sobre el análisis de imágenes histopatológicas que antes no eran posibles debido a la falta de anotaciones detalladas. El despliegue clínico de tales sistemas podría ayudar a los patólogos a leer las diapositivas de histopatología con
mayor precisión y eficiencia, lo cual es una tarea crítica para el diagnóstico del cáncer, la predicción del pronóstico y el tratamiento de los pacientes con cáncer", ha señalado
Mirando hacia el futuro, el equipo de Hassanpour planea
validar aún más su modelo probándolo en datos de otras instituciones y realizando ensayos clínicos prospectivos. También planean aplicar el modelo a las imágenes histológicas de
otros tipos de tumores y lesiones para los cuales los datos de entrenamiento son escasos o las anotaciones del cuadro delimitador no están disponibles.
Aunque pueda contener afirmaciones, datos o apuntes procedentes de instituciones o profesionales sanitarios, la información contenida en Redacción Médica está editada y elaborada por periodistas. Recomendamos al lector que cualquier duda relacionada con la salud sea consultada con un profesional del ámbito sanitario.