En el conjunto de prueba, el enfoque de machine learning permitió la diferenciación no invasiva de pólipos colorrectales benignos y premalignos detectados en colonografía por TC.
Los hallazgos apuntan a un papel de los algoritmos derivados del machine learning en el aumento de la efectividad de la colonografía por TC como herramienta de detección del cáncer colorrectal.
OAK BROOK, Ill. – Un algoritmo de machine learning ayuda a diferenciar con precisión los pólipos colorrectales benignos y premalignos en las exploraciones de colonografía por TC, según un estudio publicado en la revista Radiology.
El cáncer colorrectal se encuentra entre las tres causas más comunes de muerte relacionada con el cáncer entre hombres y mujeres en los países industrializados. La mayoría de los tipos de cáncer colorrectal se originan a partir de pólipos adenomatosos (crecimientos similares a glándulas en la membrana mucosa que recubre el intestino grueso) que se desarrollan durante varios años. La detección temprana y la extirpación de estos pólipos precancerosos pueden reducir la incidencia y la mortalidad del cáncer colorrectal.
Durante las últimas dos décadas, la colonografía por TC surgió como una alternativa no invasiva a la colonoscopia en la detección del cáncer colorrectal. Es comparable a la colonoscopia para detectar la mayoría de los pólipos y es eficaz para visualizar porciones del colon que en casos de condiciones anatómicas complejas no siempre pueden evaluarse mediante colonoscopia. Sin embargo, la colonografía por TC no permite una diferenciación definitiva entre pólipos benignos y premalignos, lo cual es crucial para la estratificación del riesgo individual y la orientación terapéutica.
Para el nuevo estudio, los investigadores aprovecharon el poder de la radiómica, un proceso de extracción de características cuantitativas de imágenes médicas, para caracterizar pólipos más allá de lo aparente a simple vista.
Los investigadores desarrollaron un algoritmo de machine learning para predecir el carácter de los pólipos individuales basándose en características de imágenes cuantitativas extraídas mediante radiomics. Aplicaron el método de machine learning no invasivo basado en la radiómica en imágenes de colonografía por TC de un grupo de pacientes asintomáticos con riesgo promedio de cáncer colorrectal. El algoritmo de aprendizaje automático se entrenó en un conjunto de más de 100 pólipos colorrectales en 63 pacientes y luego se probó en un conjunto de 77 pólipos en 59 pacientes.
En el conjunto de prueba, el enfoque de machine learning permitió la diferenciación no invasiva de pólipos colorrectales benignos y premalignos detectados con colonografía por TC, con una sensibilidad del 82% y una especificidad del 85%. El área bajo la curva (AUC), una medida gráfica que refleja cuánto es capaz el modelo de distinguir entre pólipos benignos y precancerosos, fue excelente.
“Estos resultados sirven como prueba de concepto de que el análisis de imágenes basado en el machine learning permite la diferenciación no invasiva de pólipos colorrectales benignos y premalignos en conjuntos de datos de colonografía por TC”, dijo el autor principal del estudio, Sergio Grosu, MD, radiólogo del Hospital Universitario Ludwig Maximilian. Universidad de Munich, en Munich, Alemania. “El AUC de 0,91 indica que este método funciona bien”.
Los hallazgos apuntan a un papel de los algoritmos derivados del machine learning en el aumento de la efectividad de la colonografía por TC como herramienta de detección del cáncer colorrectal.
“Agregar análisis de imágenes asistido por machine learning a la lectura de imágenes radiológicas convencionales podría mejorar aún más la importancia clínica de la detección del cáncer colorrectal basada en la colonografía por TC al permitir una selección más precisa de pacientes elegibles para la polipectomía posterior”, dijo el Dr. Grosu. “Este método podría utilizarse de forma rutinaria como un segundo lector en todos los exámenes de colonografía por TC en un futuro lejano”.
El Dr. Grosu dijo que se necesitan estudios adicionales con un mayor número de pacientes para validar los hallazgos. Añadió que estos estudios también deberían ayudar a impulsar mejoras en el algoritmo de machine learning.
“Es necesario un mayor refinamiento del análisis de imágenes basado en el machine learning para lograr una mayor precisión en la diferenciación de pólipos, así como la optimización del flujo de trabajo para una mejor aplicabilidad en la rutina clínica”, dijo el Dr. Grosu.
“Diferenciación basada en el machine learning de pólipos colorrectales benignos y premalignos detectados con colonografía por TC en una población de cribado asintomática: un estudio de prueba de concepto”. Colaboraron con el Dr. Grosu Philipp Wesp, M.Sc., Anno Graser, MD, Stefan Maurus, MD, Christian Schulz, MD, Thomas Knösel, MD, Clemens C. Cyran, MD, Jens Ricke, MD, Michael Ingrisch, Ph .D. Y Philipp M. Kazmierczak, MD