Sistema desarrollado por Technion examina exploraciones de cáncer de mama mejor que humanos

Enlace Judío.- Las computadoras nunca podrán reemplazar a los médicos, pero se descubrió que un sistema de aprendizaje profundo desarrollado en el Technion-Israel Institute of Technology en Haifa descifra las exploraciones de cáncer de mama mejor que un ser humano, publicó The Jerusalem Post.

Una de cada ocho mujeres en Israel será diagnosticada con cáncer de mama en algún momento de su vida. La enfermedad ocurre en hombres en el 1% de los casos. La prevalencia del cáncer de mama está aumentando, un efecto causado en parte por un estilo de vida moderno y una mayor esperanza de vida. Afortunadamente, los tratamientos son cada vez más eficientes y personalizados.

Pero lo que no aumenta, y de hecho disminuye, es el número de patólogos, los especialistas médicos que examinan los tejidos del cuerpo para proporcionar el diagnóstico específico necesario para la medicina personalizada.

Por lo tanto, un equipo de investigadores del Technion se ha propuesto convertir las computadoras en asistentes efectivos de los patólogos, simplificando y mejorando el trabajo del médico humano. Su nuevo estudio revisado por pares se acaba de publicar en Nature Communications con el título “El análisis de imágenes basado en el aprendizaje profundo predice el estado de PD-L1 a partir de imágenes histopatológicas teñidas con H&E en el cáncer de mama”.

 

La tarea específica que se propusieron lograr el Dr. Gil Shamai y Amir Livne del laboratorio del Prof. Ron Kimmel de la Facultad de Ciencias de la Computación de Technion’s Taub se encuentra dentro del ámbito de la inmunoterapia, que ha ganado prominencia en los últimos años como un método eficaz, a veces incluso un tratamiento revolucionario para varios tipos de cáncer.

La base de esta forma de terapia es alentar al propio sistema inmunitario del cuerpo a atacar el tumor. Sin embargo, dicha terapia debe ser personalizada, ya que se debe administrar la medicación correcta a los pacientes que se beneficiarán de ella en función de las características específicas del tumor.

Múltiples mecanismos naturales evitan que nuestro sistema inmunológico ataque a nuestro propio cuerpo. Estos mecanismos a menudo son explotados por tumores malignos para evadir el sistema inmunológico.

Uno de esos mecanismos está relacionado con la proteína PD-L1, que muestran algunos tumores. Actúa como una especie de contraseña al convencer erróneamente al sistema inmunitario de que el cáncer no debe ser atacado.

La inmunoterapia específica para PD-L1 puede persuadir al sistema inmunitario para que ignore esta contraseña en particular, pero, por supuesto, solo sería eficaz cuando el tumor expresa PD-L1.

Determinar si el tumor de un paciente expresa PD-L1

Es tarea de un patólogo determinar si el tumor de un paciente expresa PD-L1. Se usan marcadores químicos costosos para teñir una biopsia tomada del tumor para obtener la respuesta. El proceso es complicado, requiere mucho tiempo y, en ocasiones, es inconsistente.

Shamai y su equipo adoptaron un enfoque diferente. En los últimos años, se ha convertido en una práctica aprobada por la FDA escanear las biopsias para que puedan usarse para el análisis patológico digital.

Livne, Shamai y Kimmel querían saber si una red neuronal podría usar estos escaneos para hacer el diagnóstico sin requerir procesos adicionales.

“Nos dijeron que no se podía hacer. Entonces, por supuesto, tuvimos que demostrar que estaban equivocados”.
Shamai, et al.

Las redes neuronales se entrenan de manera similar a como aprenden los niños: se les presentan múltiples ejemplos etiquetados. A un niño se le muestran muchos perros y varias otras cosas, y a partir de estos ejemplos se forma una idea de lo que es “perro”.

La red neuronal que desarrolló el equipo de Kimmel se presentó con imágenes de biopsias digitales de 3376 pacientes que fueron etiquetados como expresando o no expresando PD-L1. Después de la validación preliminar, se le pidió a la red que determinara si las imágenes de biopsia de ensayos clínicos adicionales de 275 pacientes eran positivas o negativas para PD-L1.

Funcionó mejor de lo esperado. Para el 70% de los pacientes, pudo determinar la respuesta con confianza y correctamente. Para el 30% restante, el programa no pudo encontrar los patrones visuales que le permitieran decidirse por un camino u otro. Curiosamente, en los casos en que la inteligencia artificial no estuvo de acuerdo con la determinación del patólogo humano, una segunda prueba demostró que la IA tenía razón.

“Es un logro trascendental”, señaló Kimmel. “Las variaciones que encontró la computadora no son distinguibles para el ojo humano. Las células se organizan de manera diferente si presentan PD-L1 o no, pero las diferencias son tan pequeñas que incluso un patólogo capacitado no puede identificarlas con seguridad. Ahora nuestra red neuronal puede”.

Shamai dijo: “Es una oportunidad increíble para unir la inteligencia artificial y la medicina. Me encantan las matemáticas, me encanta desarrollar algoritmos. Ser capaz de usar mis habilidades para ayudar a las personas, para avanzar en la medicina: es más de lo que esperaba cuando comencé como estudiante de informática”. Ahora dirige un equipo de 15 investigadores, que están llevando este proyecto al siguiente nivel.

Kimmel concluyó: “Esperamos que la IA se convierta en una herramienta poderosa en manos de los médicos. La IA puede ayudar a hacer o verificar un diagnóstico, puede ayudar a adaptar el tratamiento al paciente individual, puede ofrecer un pronóstico. No creo que pueda o deba reemplazar al médico humano. Pero puede hacer que algunos elementos del trabajo de los médicos sean más simples, rápidos y precisos”.