Nuevas investigaciones presentadas en la SNMMI destacan el potencial del deep transfer learning en la mejora del diagnóstico oncológico.
La inteligencia artificial (IA) está revolucionando el campo de la radiología, y las últimas investigaciones presentadas en la Conferencia Anual 2024 de la Sociedad de Medicina Nuclear e Imagen Molecular (SNMMI) confirman su potencial.
Un estudio reciente sugiere que el deep transfer learning puede mejorar significativamente la capacidad de las tomografías por emisión de positrones/tomografías computarizadas (PET/CT) corporales totales para diagnosticar diversos tipos de cáncer, incluyendo cáncer de mama, cáncer de pulmón, melanoma y cáncer de próstata.
Avances en la detección de cáncer con IA
El uso de segmentación tumoral potenciada por IA en PET/CT corporales totales mostró tasas verdaderas positivas (TPR) medias del 75% para el cáncer de pulmón, 85% para el melanoma, 87% para el linfoma y 75% para el cáncer de próstata.
Estos resultados, presentados en la reunión anual de la SNMMI, reflejan el poder de la IA para mejorar la precisión diagnóstica en oncología.
Los investigadores desarrollaron un modelo de deep transfer learning para facilitar la segmentación automatizada de tumores en PET/CT corporales totales.
El modelo fue entrenado con 611 escaneos PET/CT FDG de pacientes con varios tipos de cáncer, incluidos cáncer de cabeza y cuello, linfoma, cáncer de pulmón, cáncer de mama y melanoma. Además, el entrenamiento del modelo incluyó 408 escaneos PET/CT de pacientes con cáncer de próstata.
Desafíos y Soluciones en el Entrenamiento de Modelos de IA
La mayoría de los modelos de IA para la detección de cáncer se construyen sobre conjuntos de datos pequeños o moderados que generalmente abarcan una sola malignidad y/o radiotrazador.
“Esto representa un cuello de botella crítico en el paradigma actual de entrenamiento y evaluación para aplicaciones de IA en la imagen médica y la radiología”, señaló el Dr. Kevin H. Leung, investigador asociado en la Escuela de Medicina de la Universidad Johns Hopkins.
Además de los datos de TPR mencionados, los investigadores señalaron que el modelo de deep transfer learning tuvo valores predictivos positivos (PPV) medios del 92% para el cáncer de pulmón, 76% para el melanoma, 87% para el linfoma y 76% para el cáncer de próstata.
El modelo también predijo el cáncer de próstata con una tasa de precisión del 83% y un área bajo la curva de características operativas del receptor (AUROC) del 86%.
Evaluación del riesgo y pronóstico del cáncer
El modelo de deep transfer learning también clasificó a los pacientes con cáncer de próstata en riesgo bajo, intermedio y alto, correlacionándose con niveles medios de antígeno prostático específico (PSA) de 9.18, 26.92 y 727.46 ng/ml respectivamente.
“Además de realizar pronósticos del cáncer, el enfoque de deep transfer learning proporciona un marco que ayudará a mejorar los resultados y la supervivencia del paciente al identificar biomarcadores predictivos robustos, caracterizar subtipos de tumores y permitir la detección y el tratamiento tempranos del cáncer”, enfatizó Leung.
Implicaciones futuras
El enfoque de deep transfer learning también puede asistir en la gestión temprana de pacientes con enfermedad avanzada en etapa terminal al identificar regímenes de tratamiento apropiados y predecir la respuesta a terapias, como la terapia con radiofármacos.
Esto puede traducirse en mejoras significativas en la atención al paciente y en los resultados clínicos, haciendo de la IA una herramienta indispensable en el campo de la oncología.
0 comentarios