El melanoma es, con mucho, la forma más letal de cáncer de piel, ya que mató a más de 7.000 personas en los Estados Unidos solo en 2019. La detección temprana de la enfermedad reduce drásticamente el riesgo de muerte y los costos del tratamiento, pero la detección generalizada del melanoma no está disponible actualmente.Hay alrededor de 12,000 dermatólogos en ejercicio en los EE. UU., y cada uno de ellos necesitaría ver a 27,416 pacientes por año para evaluar a toda la población en busca de lesiones pigmentadas sospechosas SPL que puedan indicar cáncer.
Los sistemas de diagnóstico asistido por computadora CAD se han desarrollado en los últimos años para tratar de resolver este problema mediante el análisis de imágenes de lesiones cutáneas y la identificación automática de SPL, pero hasta ahora no han tenido un impacto significativo en el diagnóstico de melanoma. Estos algoritmos CAD están capacitados paraevalúan cada lesión de la piel individualmente en busca de características sospechosas, pero los dermatólogos comparan múltiples lesiones de un paciente individual para determinar si son cancerosas, un método comúnmente llamado criterio del "patito feo". Hasta la fecha, ningún sistema CAD en dermatología ha sido diseñado parareplicar este proceso de diagnóstico.
Ahora, ese descuido se ha corregido gracias a un nuevo sistema CAD para lesiones cutáneas basado en redes neuronales profundas convolucionales CDNN desarrollado por investigadores del Instituto Wyss de Ingeniería de Inspiración Biológica de la Universidad de Harvard y el Instituto de Tecnología de Massachusetts MIT.El nuevo sistema distinguió con éxito las SPL de las lesiones no sospechosas en las fotos de la piel de los pacientes con una precisión de ~ 90% y, por primera vez, estableció una métrica de "patito feo" capaz de coincidir con el consenso de tres dermatólogos el 88% de las veces.
"Básicamente, proporcionamos un proxy matemático bien definido para la intuición profunda en la que se basa un dermatólogo al determinar si una lesión cutánea es lo suficientemente sospechosa como para justificar un examen más detenido", dijo el primer autor del estudio, Luis Soenksen, Ph.D., un posdoctoralMiembro del Wyss Institute que también es Venture Builder en el MIT. "Esta innovación permite analizar rápidamente las fotos de la piel de los pacientes para identificar las lesiones que un dermatólogo debe evaluar, lo que permite una detección eficaz del melanoma a nivel de la población".
La tecnología se describe en Medicina traslacional científica , y el código fuente de CDNN está disponible abiertamente en GitHub http://github.com/lrsoenksen/SPL_UD_DL .
enfocando a los patitos feos
El melanoma es personal para Soenksen, quien ha visto a varios amigos cercanos y familiares sufrir la enfermedad. "Me asombró que la gente pueda morir de melanoma simplemente porque los médicos de atención primaria y los pacientes actualmente no tienen las herramientas para encontrar el""impares" de manera eficiente. Decidí abordar ese problema aprovechando muchas de las técnicas que aprendí de mi trabajo en inteligencia artificial en el Wyss y el MIT ", dijo.
Soenksen y sus colaboradores descubrieron que todos los sistemas CAD existentes creados para identificar SPL solo analizaban las lesiones individualmente, omitiendo por completo el criterio del patito feo que usan los dermatólogos para comparar varios de los lunares de un paciente durante un examen. Así que decidieron construir el suyo propio.
Para garantizar que su sistema pudiera ser utilizado por personas sin formación especializada en dermatología, el equipo creó una base de datos de más de 33.000 imágenes de "campo amplio" de la piel de los pacientes que incluían fondos y otros objetos que no eran de piel, de modo que la CDNNpoder usar fotos tomadas con cámaras de consumo para el diagnóstico. Las imágenes contenían tanto SPL como lesiones cutáneas no sospechosas que fueron etiquetadas y confirmadas por un consenso de tres dermatólogos certificados por la junta. Después de la capacitación en la base de datos y el posterior refinamiento y pruebas, el sistema pudo distinguir entre lesiones sospechosas y no sospechosas con una sensibilidad del 90,3% y una especificidad del 89,9%, mejorando los sistemas publicados anteriormente.
Pero este sistema de referencia seguía analizando las características de las lesiones individuales, en lugar de las características de múltiples lesiones como lo hacen los dermatólogos. Para agregar los criterios del patito feo en su modelo, el equipo utilizó las características extraídas en una etapa secundaria para crear un 3D ".mapa "de todas las lesiones en una imagen dada, y calculó qué tan lejos de las características" típicas "de cada lesión estaban. Cuanto más" extraña "se comparaba una lesión determinada con las otras en una imagen, más lejos estaba de lacentro del espacio 3D. Esta distancia es la primera definición cuantificable de los criterios del patito feo, y sirve como puerta de entrada para aprovechar las redes de aprendizaje profundo para superar la desafiante y lenta tarea de identificar y analizar las diferencias entre todas las lesiones pigmentadas enun solo paciente.
Aprendizaje profundo frente a dermatólogos
Su DCNN todavía tenía que pasar una prueba final: dermatólogos vivos y con respiración en la tarea de identificar SPL a partir de imágenes de la piel de los pacientes. Tres dermatólogos examinaron 135 fotos de campo amplio de 68 pacientes y asignaron a cada lesión unpuntuación de "rareza" que indica lo preocupante que se ve. Las mismas imágenes fueron analizadas y puntuadas por el algoritmo. Cuando se compararon las evaluaciones, los investigadores encontraron que el algoritmo estaba de acuerdo con el consenso de los dermatólogos el 88% de las veces, y con el individuodermatólogos el 86% de las veces.
"Este alto nivel de consenso entre la inteligencia artificial y los médicos humanos es un avance importante en este campo, porque el acuerdo entre los dermatólogos es típicamente muy alto, alrededor del 90%", dijo el coautor Jim Collins, Ph.D., miembro de la facultad principal del Instituto Wyss y co-líder de su Iniciativa de Bioanalítica Predictiva, quien también es Profesor Termeer de Ingeniería Médica y Ciencia en el MIT. "Esencialmente, hemos podido lograr una precisión a nivel de dermatólogo en el diagnóstico de la piel potenciallesiones cancerosas a partir de imágenes que puede tomar cualquier persona con un teléfono inteligente, lo que abre un enorme potencial para detectar y tratar el melanoma antes ".
Reconociendo que dicha tecnología debe estar disponible para tantas personas como sea posible para obtener el máximo beneficio, el equipo ha hecho que su algoritmo sea de código abierto en GitHub. Esperan asociarse con centros médicos para lanzar ensayos clínicos que demuestren aún más la eficacia de su sistema.y con la industria para convertirlo en un producto que pueda ser utilizado por los proveedores de atención primaria de todo el mundo. También reconocen que para ser de utilidad universal, su algoritmo debe poder funcionar igualmente bien en todo el espectro de tonos de piel humana, que planean incorporar en el desarrollo futuro.
"Permitir que nuestros científicos persigan sus pasiones y visiones es clave para el éxito del Instituto Wyss, y es maravilloso ver este avance que puede impactarnos a todos de una manera tan significativa que surge de una colaboración con nuestro recién formado Predictive BioanalyticsIniciativa ", dijo el director fundador de Wyss, Don Ingber, MD, Ph.D., quien también es profesor de Biología Vascular Judah Folkman en la Escuela de Medicina de Harvard y el Hospital de Niños de Boston, y profesor de Bioingeniería en la Escuela de Ingeniería John A. Paulson de Harvard.y Ciencias Aplicadas.
Los autores adicionales del artículo incluyen a Regina Barzilay, Martha L. Gray, Timothy Kassis, Susan T. Conover, Berta Marti-Fuster, Judith S. Birkenfeld, Jason Tucker-Schwartz y Asif Naseem del MIT, Robert R. Stavert deBeth Israel Deaconess Medical Center, Caroline C. Kim del Tufts Medical Center, Maryanne M. Senna del Massachusetts General Hospital y José Avilés-Izquierdo del Hospital General Universitario Gregorio Marañón.
Esta investigación contó con el apoyo de la Clínica Abdul Latif Jameel de Aprendizaje Automático en Salud, la Consejería de Educación, Juventud y Deportes de la Comunidad de Madrid a través del Consorcio Madrid-MIT M + Visión y el Programa Personas del Séptimo Marco de la Unión Europea, La subvención de CONACyT de México 342369/40897 y la subvención de capacitación del DOE de EE. UU. DE-SC0008430.
Fuente de la historia :
Materiales proporcionado por Instituto Wyss de Ingeniería de Inspiración Biológica en Harvard . Original escrito por Lindsay Brownell. Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :