Estudio informa de alentadores resultados en uso de computadoras con aprendizaje profundo para clasificar tumores de cáncer de mama

Los investigadores del Centro Integral del Cáncer Lineberger de la Universidad de Carolina del Norte, usando una tecnología similar al que permite un reconocimiento facial y del voz en un teléfono inteligente, han entrenado una computadora para analizar imágenes de cáncer de mama para clasificar los tumores. Creen que este enfoque, aunque todavía se encuentra en sus primeras etapas, podría llevar a un ahorro de costos para la clínica y en la investigación del cáncer de mama.

La tecnología podría tener aplicaciones en comunidades que no cuentan con recursos de patología, además de ayudar a validar los hallazgos de los patólogos.
La tecnología podría tener aplicaciones en comunidades que no cuentan con recursos de patología, además de ayudar a validar los hallazgos de los patólogos. BiancoBlue
En un estudio “Image analysis with deep learning to predict breast cancer grade, ER status, histologic subtype, and intrinsic subtype” [1] publicado en la revista NPJ Breast Cancer, los investigadores informaron que utilizaron una forma de inteligencia artificial llamada aprendizaje automático o aprendizaje profundo para entrenar una computadora en identificar ciertas características de los tumores de cáncer de mama a partir de imágenes. La computadora también identificó el tipo de tumor basándose en características moleculares y genómicas complejas, que un patólogo aún no puede identificar solo con una imagen.

Su teléfono inteligente puede interpretar su discurso y encontrar e identificar rostros en una foto“, dijo la primera autora del estudio, Heather D. Couture, asistente de investigación graduada en el Departamento de Ciencias de la Computación de UNC-Chapel Hill. “Estamos utilizando una tecnología similar donde capturamos propiedades abstractas en imágenes, pero la estamos aplicando a un problema totalmente diferente“.

Para el estudio, los investigadores utilizaron un conjunto de 571 imágenes de tumores de cáncer de mama del estudio “Carolina Breast Cancer Study” para capacitar a la computadora en clasificar los tumores por:

  • grado
  • estado de receptor de estrógeno
  • subtipo intrínseco PAM50
  • subtipo histológico
  • puntaje de riesgo de recurrencia.

Crearon un programa de computó que aprendió a predecir las etiquetas de las imágenes con un conjunto de entrenamiento, de modo que las nuevas imágenes se pudieran procesar de la misma manera.

Luego utilizaron un conjunto diferente de 288 imágenes para probar la capacidad de la computadora para distinguir características del tumor por sí mismas, comparando las respuestas de la computadora con los hallazgos de un patólogo para el grado y subtipo de cada tumor, y para separar las pruebas para los subtipos de expresión génica. Descubrieron que la computadora podía distinguir los tumores en 82% de las veces con un grado intermedio bajo y alto grado. Cuando los 2 patólogos revisaron el grado del tumor para el grupo de grado intermedio bajo, los patólogos coincidieron entre sí en aproximadamente el 89% de las veces, lo que fue un poco más alto que la precisión de la computadora.

Además, la computadora identificó el estado del receptor de estrógeno, distinguió entre tumores ductales y lobulares, y determinó si cada caso tenía un riesgo alto o bajo de recurrencia con altos niveles de precisión. También identificó uno de los subtipos moleculares de los cánceres de mama, el subtipo basal, que se basa en la forma en que se expresaron los genes dentro del tumor, con 77% de precisión.

Usando inteligencia artificial o aprendizaje automático, pudimos hacer varias cosas que los patólogos pueden hacer con una precisión similar, pero también pudimos hacer una o dos cosas que los patólogos no pueden hacer hoy“, dijo Charles M. Perou, doctor en línea de UNC Lineberger, profesor distinguido de oncología molecular Goldman Shaw de Maymanman, profesor de genética y patología y medicina de laboratorio en la Escuela de Medicina de la UNC. “Esto tiene un largo camino por recorrer en términos de validación, pero creo que la precisión solo mejorará a medida que adquiramos más imágenes para entrenar la computadora“.

La capacidad de la computadora para identificar el subtipo de tipo basal fue emocionante para los investigadores y podría tener aplicaciones en la investigación del cáncer. También creen que la tecnología podría tener aplicaciones en comunidades que no cuentan con recursos de patología, además de ayudar a validar los hallazgos de los patólogos.

Nos sorprendió que la computadora pudiera obtener una precisión bastante alta al estimar el riesgo de biomarcadores solo con mirar las imágenes“, dijo Melissa Troester, PhD, doctora de UNC Lineberger de la Escuela de Salud Pública Global de UNC Gillings. “Gastamos miles de dólares en la medición de esos biomarcadores con herramientas moleculares, y este nuevo método puede tomar la imagen y obtener una precisión del 80% o mejor para estimar el fenotipo o subtipo de tumor. Eso fue bastante sorprendente“.

Couture dijo que la tecnología de aprendizaje profundo se ha utilizado en una variedad de aplicaciones, incluyendo reconocimiento de voz y vehículos autónomos.

Los humanos pueden ver 1 o 2 ejemplos de algo y ser capaces de generalizar cuando ven otros objetos“, dijo Couture. “Por ejemplo, las sillas vienen en muchas formas diferentes, pero podemos reconocerlo como algo en lo que nos sentamos. A las computadoras les resulta mucho más difícil generalizar a partir de pequeñas cantidades de datos. Pero, por otro lado, si usted proporciona suficientes datos etiquetados, puede aprender conceptos que son mucho más complejos de lo que los humanos pueden evaluar visualmente, como identificar el subtipo de tipo basal a partir de una sola imagen“.

El aspecto único de su trabajo, dijeron los investigadores, fue que fueron capaces de usar la tecnología para ver las características de los tumores que los humanos no pueden. Quieren averiguar qué está viendo la computadora, así como estudiar si la tecnología podría predecir los resultados.

La computadora extrajo mucha información de las imágenes“, afirma Troester. “Nos gustaría probar qué tan bien estas características predicen los resultados, y si podemos usar estas características junto con cosas como datos moleculares para mejorar aún más a los pacientes una visión precisa de cómo es el curso de su enfermedad y qué tratamientos podrían ser efectivos “[.]

[referencias]

Publicaciones relacionadas