viernes 29 marzo, 2024
suscribete al newsletter

Machine Learning identifica pólipos de colon precancerosos

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.

Figura 1 - Diagrama
Figura 1. Diagrama de flujo del equipo de entrenamiento y del equipo de prueba externo.

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.

Figura 2
Figura 2. A, colonoscopia óptica y, B – D, colonografía por TC de un pólipo de 9 mm (flecha) en el colon descendente de una mujer de 78 años. B, Se utilizaron reconstrucciones tridimensionales de vuelo virtual para la localización exacta del pólipo. C, Se realizó segmentación manual de pólipos en imágenes de colonografía por TC bidimensionales multiplanares. Las imágenes de colonografía D, CT se preprocesaron para la extracción de características de la imagen mediante la aplicación de un filtro dedicado.

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.

Figura 3
Figura 3. Arriba: Las imágenes de colonografía por TC axial muestran pólipos colorrectales representativos (flecha) en el conjunto de entrenamiento. Abajo: estudio histopatológico correspondiente. (Tinción con hematoxilina-eosina; aumento original 320.) A. Pólipo hiperplásico de 8 mm en el colon ascendente de una mujer de 54 años con epitelio hiperplásico. B, Adenoma tubular de 8 mm en el colon sigmoide de un hombre de 68 años con patrón de crecimiento tubular y núcleos alargados. C, Adenoma tubulovelloso de 11 mm en el recto de un hombre de 73 años con patrón de crecimiento tubulovelloso y núcleos alargados.

«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».

Figura 4
Figura 4. El flujo de trabajo radiómico constaba de tres pasos: segmentación manual de pólipos colorrectales en imágenes de colonografía por TC bidimensionales multiplanares; filtrado de imágenes y extracción de características que caracterizan la forma, las estadísticas del histograma o la textura; y entrenamiento basado en características de un algoritmo de clasificación forestal aleatorio para diferenciar entre pólipos colorrectales benignos y premalignos de acuerdo con el estándar de referencia histopatológico.

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».

Figura 5
Figura 5. Validación externa del modelo de bosque aleatorio entrenado. Un total de 198 de 1906 (10%) combinaciones de filtros de características se extrajeron de las imágenes de colonografía por TC originales del conjunto de prueba utilizando diferentes filtros de imagen (n = 22) y características de la imagen que caracterizan la forma (n = 14), estadísticas de histograma (n = 18) , o textura (n = 68). Sobre la base de estas combinaciones de características de filtro, se utilizó el clasificador de bosque aleatorio entrenado para predecir la etiqueta de clase de pólipo colorrectal (benigno frente a premaligno). El rendimiento de la predicción se cuantificó utilizando el área bajo la curva característica de funcionamiento del receptor (AUC).

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.

Figura 6
Figura 6. Curva de característica operativa del receptor (ROC) para predicciones forestales aleatorias de la clase de pólipo colorrectal (benigno frente a premaligno) para los pólipos en el conjunto de prueba externo. La sensibilidad y la especificidad se evaluaron para un valor de umbral predeterminado de 0,5 (modelo A), un valor de umbral que maximizaba el índice de Youden (modelo B) y un umbral que resultaba en la mayor especificidad posible mientras se lograba una sensibilidad de al menos 85% (modelo C).

«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

Artículos relacionados

Analytics en la Gestión de riesgo del abastecimiento en Salud

En Salud es clave contar con los insumos y medicamentos necesarios en tiempo y forma para asistir a los pacientes.  En este sentido, la...

ChatGPT aprueba el examen de radiología

La última versión de ChatGPT fue sometida a un examen de radiología, revelando tanto su potencial como sus limitaciones en términos de confiabilidad, según...

GE HealthCare, una empresa 100% dedicada a la salud

Pablo Serrao es el Country Manager de GE HealthCare en Argentina. Tiene una experiencia de casi 13 años en la compañía y más de...

Grupo Fleury leva RM para todos no Brasil

Como um dos principais centros de saúde no Brasil, o Grupo Fleury tem investido em sistemas e soluções para imagem, laboratório, oftalmologia, medicina reprodutiva...

Seguinos

2,319FansMe gusta
0SeguidoresSeguir
1,324SeguidoresSeguir

MÁS LEIDOS