El cáncer de pulmón es la principal causa de muerte por cáncer en todo el mundo. La detección es clave para la detección temprana y una mayor supervivencia, pero el método actual tiene una tasa de falsos positivos del 96 por ciento. Utilizando el aprendizaje automático, los investigadores de la Universidad de Pittsburgh y el Centro de Cáncer UPMC Hillmanhan encontrado una manera de reducir sustancialmente los falsos positivos sin perder un solo caso de cáncer.
El estudio fue publicado hoy en la revista tórax . Esta es la primera vez que se aplica inteligencia artificial a la cuestión de separar los nódulos benignos de los cancerosos en la detección del cáncer de pulmón.
"Pudimos descartar el cáncer en aproximadamente un tercio de los pacientes, por lo que no necesitarían biopsias, no necesitarían tomografías PET o una tomografía computarizada de intervalo corto. Solo necesitan regresar en un año,"dijo el autor principal David Wilson, MD, MPH, profesor asociado de medicina, cirugía cardiotorácica y ciencia clínica y traslacional en Pitt y codirector del Centro de Cáncer de Pulmón en UPMC Hillman.
Una tomografía computarizada de baja dosis es la prueba de diagnóstico estándar para el cáncer de pulmón para las personas de alto riesgo. En todo el país, alrededor de una cuarta parte de estas exploraciones muestran sombras que indican nódulos en el pulmón, un resultado positivo, pero menos del 4 por cientode esos pacientes en realidad tienen cáncer.
En este momento, es imposible saber por el escáner quiénes son esos 4 por ciento, dijo Wilson. Por supuesto, los médicos no quieren perderse ningún caso real de cáncer, pero también están tratando de reducir la tasa de falsos positivos, El lo notó.
"Una prueba positiva crea ansiedad, aumenta los costos de atención médica y las pruebas de seguimiento no están exentas de riesgos", dijo el coautor del estudio Panayiotis Takis Benos, Ph.D., profesor y vicepresidente de biología computacional y de sistemas ydirector asociado del Programa de Biología de Sistemas Integrativos en Pitt. "Para el 96 por ciento de las personas que tienen nódulos benignos, estos procedimientos son innecesarios. Por lo tanto, tratamos de extraer los datos para determinar cuáles son benignos y cuáles son malignos".
Wilson, Benos y sus colegas reunieron datos de tomografía computarizada de baja dosis de 218 pacientes UPMC de alto riesgo que luego se confirmó que tenían cáncer de pulmón o nódulos benignos. Luego introdujeron los datos en un algoritmo de aprendizaje automático, una forma artificialinteligencia: para crear un modelo que calcule la probabilidad de cáncer. Si la probabilidad cae por debajo de cierto umbral, el modelo descarta el cáncer.
Al comparar la evaluación del modelo con los diagnósticos reales de estos pacientes, los investigadores descubrieron que habrían podido salvar al 30 por ciento de las personas con nódulos benignos de someterse a pruebas adicionales, sin perderse un solo caso de cáncer.
Los tres factores que fueron más importantes para el modelo, dijo Benos, son la cantidad de vasos sanguíneos que rodean el nódulo, la cantidad de nódulos y la cantidad de años desde que el paciente dejó de fumar.
"Si bien se sabe desde hace algún tiempo que los tumores reclutan más soporte vascular, esta es la primera vez que podemos utilizar la tecnología informática para cuantificar su contribución e incorporarlos en un modelo predictivo que decide, con certeza,que algunos pacientes no tienen cáncer ", dijo Wilson." El siguiente paso es evaluar esta técnica en una población más grande, y en realidad ya comenzó, usando alrededor de 6,000 escáneres del National Lung Screening Trial ".
Los autores adicionales en el estudio incluyen Vineet Raghu, Wei Zhao, MD, Ph.D., Jiantao Pu, Ph.D., Joseph Leader, Ph.D., Jian-Min Yuan, MD, Ph.D., dePitt; James Herman, MD, y Renwei Wang, MD, de UPMC Hillman.
Este trabajo fue apoyado por los Institutos Nacionales de Salud U01HL137159, R01LM012087, particularmente el Instituto Nacional del Cáncer P50CA90440, P30CA047904, R21CA197493 y T32CA082084.
Fuente de la historia :
Materiales proporcionado por Universidad de Pittsburgh . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :