Un nuevo modelo de Deep Learning muestra resultados prometedores en la detección y segmentación de tumores pulmonares, según un estudio publicado en Radiology. Los hallazgos del estudio podrían tener implicaciones importantes para el tratamiento del cáncer de pulmón.
Según la Sociedad Estadounidense del Cáncer, el cáncer de pulmón es el segundo cáncer más común entre hombres y mujeres en los EE.UU. y la principal causa de muerte por cáncer.
La detección y segmentación precisas de los tumores pulmonares en las tomografías computadas son fundamentales para controlar la progresión del cáncer, evaluar las respuestas al tratamiento y planificar la radioterapia. En la actualidad, los médicos experimentados identifican y segmentan manualmente los tumores pulmonares en las imágenes médicas, un proceso que requiere mucho trabajo y está sujeto a la variabilidad de los médicos.
Si bien se han aplicado métodos de aprendizaje profundo de inteligencia artificial a la detección y segmentación de tumores pulmonares, los estudios anteriores han estado limitados por conjuntos de datos pequeños, la dependencia de entradas manuales y un enfoque en la segmentación de tumores pulmonares individuales, lo que resalta la necesidad de modelos capaces de realizar una delimitación robusta y automatizada de tumores en diversos entornos clínicos.
En este estudio, se utilizó un conjunto de datos único y a gran escala que constaba de exploraciones de simulación de TC previas al tratamiento con radiación recopiladas de forma rutinaria y sus segmentaciones clínicas 3D asociadas para desarrollar un modelo de segmentación y detección de tumores pulmonares de nivel casi experto. El objetivo principal era desarrollar un modelo que identificara y segmentara con precisión los tumores pulmonares en las exploraciones de TC de diferentes centros médicos.
“Hasta donde sabemos, nuestro conjunto de datos de entrenamiento es la colección más grande de tomografías computadas y segmentaciones de tumores clínicos reportada en la literatura para construir un modelo de detección y segmentación de tumores pulmonares”, dijo el autor principal del estudio, Mehr Kashyap, MD, médico residente en el Departamento de Medicina de la Facultad de Medicina de la Universidad de Stanford en Stanford, California.
Para el estudio retrospectivo, se entrenó un modelo de Deep Learning U-Net 3D de conjunto para la detección y segmentación de tumores pulmonares utilizando 1504 tomografías computarizadas con 1828 tumores pulmonares segmentados. Luego, el modelo se probó en 150 tomografías computadas. Los volúmenes tumorales predichos por el modelo se compararon con los volúmenes delineados por el médico. Las métricas de rendimiento incluyeron sensibilidad, especificidad, tasa de falsos positivos y coeficiente de similitud de Dice (DSC). El DSC calcula la similitud entre dos conjuntos de datos comparando la superposición entre ellos. Un valor de 0 representa que no hay superposición, mientras que un valor de 1 representa una superposición perfecta. Las segmentaciones del modelo se compararon con las de las tres segmentaciones de médicos para generar los valores de DSC modelo-médico para cada emparejamiento.
El modelo logró una sensibilidad del 92% (92/100) y una especificidad del 82% (41/50) en la detección de tumores pulmonares en el conjunto de prueba de exploración combinada de 150 tomografías computadas.
En un subconjunto de 100 tomografías computarizadas con un solo tumor pulmonar cada una, los DSC medianos de segmentación entre el modelo y el médico y entre el médico y el médico fueron 0,77 y 0,80, respectivamente. El tiempo de segmentación fue más corto para el modelo que para los médicos.
El Dr. Kashyap cree que el uso de una arquitectura U-Net 3D en el desarrollo del modelo proporciona una ventaja sobre los enfoques que utilizan una arquitectura 2D.
“Al capturar información rica entre cortes, nuestro modelo 3D es teóricamente capaz de identificar lesiones más pequeñas que los modelos 2D tal vez no puedan distinguir de estructuras como vasos sanguíneos y vías respiratorias”, dijo.
Una limitación del modelo era su tendencia a subestimar el volumen del tumor, lo que daba como resultado un rendimiento inferior en tumores muy grandes. Debido a esto, el Dr. Kashyap advierte que el modelo debería implementarse en un flujo de trabajo supervisado por médicos, lo que permitiría a los médicos identificar y descartar lesiones identificadas incorrectamente y segmentaciones de menor calidad.
Los investigadores sugieren que las futuras investigaciones deberían centrarse en la aplicación del modelo para estimar la carga tumoral pulmonar total y evaluar la respuesta al tratamiento a lo largo del tiempo, comparándolo con los métodos existentes. También recomiendan evaluar la capacidad del modelo para predecir los resultados clínicos sobre la base de la carga tumoral estimada, en particular cuando se combina con otros modelos de pronóstico que utilizan diversos datos clínicos.
“Nuestro estudio representa un paso importante hacia la automatización de la identificación y segmentación de tumores pulmonares”, afirmó el Dr. Kashyap. “Este enfoque podría tener amplias implicaciones, incluida su incorporación en la planificación automatizada del tratamiento, la cuantificación de la carga tumoral, la evaluación de la respuesta al tratamiento y otras aplicaciones radiómicas”.