La IA detecta y clasifica los tumores cerebrales con resonancia magnética

Un estudio realizado por un equipo de investigadores de la Universidad de Washington ha evidenciado que la inteligencia artificial (IA) tiene la capacidad de detectar un tumor intracraneal y clasificarlo como uno de los seis tipos más comunes que existen mediante una sola exploración de resonancia magnética en 3D.

La investigación, publicada en la revista Radiology, señala que los seis tipos de tumores intracraneales más comunes son el glioma de alto grado, el glioma de bajo grado, las metástasis cerebrales, el meningioma, el adenoma hipofisario y el neuroma acústico. Cada uno fue documentado a través de histopatología, que requiere extirpar quirúrgicamente tejido del sitio de un presunto cáncer y examinarlo bajo un microscopio.

Según explica uno de los autores del estudio, Satrajit Chakrabarty, los enfoques de aprendizaje profundo y automático que utilizan datos de resonancia magnética podrían automatizar potencialmente la detección y clasificación de los tumores cerebrales. "La resonancia magnética no invasiva se puede utilizar como complemento o, en algunos casos, como una alternativa al examen histopatológico", agrega.

Para construir su modelo de aprendizaje automático, llamado ‘red neuronal convolucional’, Chakrabarty y los investigadores del Instituto de Radiología Mallinckrodt desarrollaron un gran conjunto de datos multiinstitucional de exploraciones intracraneales de resonancia magnética 3D de cuatro fuentes disponibles públicamente.

"La resonancia magnética podrían automatizar potencialmente la detección y clasificación de los tumores cerebrales"

Además de los datos internos de la institución, el equipo obtuvo exploraciones de resonancia magnética ponderadas en T1 preoperatorias y posteriores al contraste de la segmentación de imágenes de tumores cerebrales, el glioblastoma multiforme del Atlas del genoma del cáncer y el glioma de bajo grado del Atlas del genoma del cáncer.

Para llevar a cabo la investigación, los autores dividieron un total de 2.105 exploraciones en tres subconjuntos de datos: 1.396 para entrenamiento, 361 para pruebas internas y 348 para pruebas externas. El primer conjunto de exploraciones de resonancia magnética se utilizó para entrenar la red neuronal convolucional para discriminar entre exploraciones sanas y exploraciones con tumores, y para clasificar los tumores por tipo. Los investigadores evaluaron el rendimiento del modelo utilizando datos de las resonancias magnéticas internas y externas.

Resultados del modelo ‘red neuronal convolucional’

Con los datos de las pruebas internas, el modelo logró una precisión del 93,35 por ciento (337 de 361) en siete clases de imágenes (una clase sana y seis clases de tumores). Las sensibilidades variaron del 91 por ciento al 100 por ciento y el valor predictivo positivo (o la probabilidad de que los pacientes con una prueba de detección positiva realmente tengan la enfermedad) varió del 85 por ciento al ​​100 por ciento. Los valores predictivos negativos, o la probabilidad de que los pacientes con una prueba de detección negativa realmente no tengan la enfermedad, oscilaron entre el 98 por ciento y el 100 por ciento en todas las clases. La atención de la red se superpuso con las áreas tumorales para todos los tipos de tumores.

Para el conjunto de datos de la prueba externa, que incluyó solo dos tipos de tumores (glioma de alto grado y glioma de bajo grado), el modelo tuvo una precisión del 91,95 por ciento.

"Estos resultados sugieren que el aprendizaje profundo es un enfoque prometedor para la clasificación y evaluación automatizadas de tumores cerebrales", señala Chakrabarty. "El modelo logró una alta precisión en un conjunto de datos heterogéneo y mostró excelentes capacidades de generalización en datos de prueba invisibles", sentencia.