Una única exploración de resonancia magnética en 3D sería la técnica necesaria para detectar un tumor intracraneal y clasificarlo entre uno de los seis tipos habituales con el uso de la inteligencia artificial (IA), según un estudio publicado recientemente en la revista Radiology por la Universidad de Washington.
Hasta la actualidad, cuando se trata de diagnosticar un tumor cerebral, las biopsias suelen ser el primer método utilizado. Los cirujanos comienzan extrayendo una capa delgada de tejido del tumor y examinándola con un microscopio, buscando de cerca los signos de la enfermedad. Sin embargo, las biopsias no solo son altamente invasivas, sino que las muestras obtenidas solamente representan una fracción del tumor, sin posibilidad de localizarlo por completo. Por su parte, la resonancia magnética ofrece un enfoque menos intrusivo, pero los radiólogos tienen que delimitar manualmente el área del tumor de la exploración antes de poder clasificarla, lo que requiere mucho tiempo.
Gracias al nuevo modelo de IA desarrollado por Satrajit Chakrabarty y los investigadores del Instituto de Radiología Mallinckrodt, en un futuro próximo se podría clasificar numerosos tipos de tumores intracraneales sin la necesidad de un bisturí. El modelo, llamado red neuronal convolucional, en inglés convolutional neural network (CNN), utiliza el aprendizaje profundo, un tipo de algoritmo de aprendizaje automático que se encuentra en el software de reconocimiento de imágenes, para reconocer estos tumores en imágenes de resonancia magnética, basándose en características jerárquicas como la ubicación y la morfología. Como resultado del estudio, la CNN del equipo pudo clasificar con precisión varios cánceres de cerebro sin interacción manual.
“Esta red es el primer paso hacia el desarrollo de un flujo de trabajo de radiología aumentada con inteligencia artificial que puede respaldar la interpretación de imágenes al proporcionar información cuantitativa y estadísticas”, dice el primer autor Satrajit Chakrabarty.
La CNN puede detectar seis tipos comunes de tumores intracraneales: gliomas de grado alto y bajo, meningioma, adenoma hipofisario, neuroma acústico y metástasis cerebrales. Esta red neuronal es la primera en determinar directamente la clase del tumor, así como en detectar la ausencia de un tumor a partir de un volumen de resonancia magnética 3D.
Estudio de precisión y resultados del modelo CNN
Para determinar la precisión de su CNN, los investigadores crearon dos conjuntos de datos multiinstitucionales de resonancias magnéticas preoperatorias y posteriores al contraste, de cuatro bases de datos disponibles públicamente, junto con los datos obtenidos en Washington University School of Medicine.
El primero, el conjunto de datos interno, contenía 1757 exploraciones en siete clases de imágenes: las seis clases de tumores y una clase sana. De estas exploraciones, 1396 fueron datos de entrenamiento, que el equipo usó para enseñarle a CNN cómo discriminar entre cada clase. Los 361 restantes se utilizaron posteriormente para probar el rendimiento del modelo (datos de prueba internos).
La CNN identificó correctamente el tipo de tumor con un 93,35% de precisión, como lo confirman los informes radiológicos asociados con cada exploración. Es más, la probabilidad de que un paciente realmente tuviera el cáncer específico que detectó la CNN (en lugar de estar sano o tener cualquier otro tipo de tumor) era del 85 al 100%.
Se observaron pocos falsos negativos en todas las clases de imágenes; la probabilidad de que los pacientes que dieron negativo en una clase determinada no tuvieran esa enfermedad (o no estuvieran sanos) era del 98% al 100%.
A continuación, los investigadores probaron su modelo con un segundo conjunto de datos externos que contenía solo gliomas de grado alto y bajo. Estas exploraciones se obtuvieron por separado de las del conjunto de datos internos.
“Como los modelos de aprendizaje profundo son muy sensibles a los datos, se ha convertido en estándar validar su desempeño en un conjunto de datos independiente, obtenido de una fuente completamente diferente, para analizar la generalización o grado de reacción a datos invisibles”, explica Chakrabarty.
La CNN demostró una buena capacidad de generalización, obteniendo una precisión del 91,95% en los datos de prueba externos.
Los resultados sugieren que el modelo podría ayudar a los médicos a diagnosticar a los pacientes con los seis tipos de tumores estudiados. Sin embargo, los investigadores notan varias limitaciones en su modelo, incluida la clasificación errónea del tipo y grado de tumor debido al contraste deficiente de la imagen. Estas deficiencias pueden deberse a inconsistencias en los protocolos de imágenes utilizados en las cinco instituciones.
De cara al futuro, el equipo espera capacitar aún más a la CNN incorporando tipos de tumores y modalidades de imágenes adicionales.