Cáncer de próstata se diagnostica mejor usando la inteligencia artificial
Por el equipo editorial de LabMedica en español Actualizado el 29 Jan 2020 |
Imagen: Microfotografía de una biopsia histológica de un adenocarcinoma prostático, tipo convencional (acinar), la forma más común de cáncer de próstata (Fotografía cortesía de Nephron).
El cáncer de próstata es un tipo de cáncer frecuente, pero no siempre agresivo: mueren más hombres con cáncer de próstata que por cáncer de próstata. Sin embargo, su tratamiento tiene muchas consecuencias para la calidad de vida de los pacientes, por lo que poder determinar la agresividad es un paso importante para elegir un tratamiento.
Para determinar la agresividad del cáncer, se toman biopsias de la próstata, que son cualificadas por un patólogo. Este “puntaje de Gleason” se usa, a continuación, para clasificar las biopsias en cinco grupos, los Grupos de Grado de Gleason, que indican el riesgo de morir debido al cáncer de próstata. Sin embargo, este es un proceso subjetivo; si el paciente es tratado y cómo, puede depender del patólogo que evalúa el tejido.
Un equipo de científicos del Centro Médico de la Universidad Radboud (Nijmegen, Países Bajos) desarrolló un sistema de IA que examina esas biopsias de la misma manera en que lo hace un patólogo. El sistema de IA también determina el puntaje de Gleason, y luego el sistema puede clasificar una biopsia de acuerdo con los Grupos de Grado de Gleason. Mediante el aprendizaje profundo, el sistema examinó miles de imágenes de biopsias para saber qué es una próstata sana y cómo se ve el tejido de cáncer de próstata más o menos agresivo. Se usó una técnica de etiquetado semiautomático para evitar la necesidad de anotaciones manuales por parte de los patólogos, utilizando los informes de los patólogos como el estándar de referencia durante el entrenamiento. El sistema fue desarrollado para delinear glándulas individuales, asignar patrones de crecimiento de Gleason y determinar el grado a nivel de biopsia.
Los investigadores recolectaron 5.759 biopsias de 1.243 pacientes. El sistema desarrollado logró un alto acuerdo con el estándar de referencia y obtuvo un puntaje alto en los umbrales de decisión clínica: benigno versus maligno (área bajo la curva 0,99), grupo de grado de 2 o más (0,978) y grupo de grado 3 o más (0,974). En un experimento de observación, el sistema de aprendizaje profundo obtuvo una puntuación más alta (kappa 0,854) que el panel (kappa mediana 0,819), superando a 10 de 15 observadores patólogos. En el conjunto de datos de prueba externo, el sistema obtuvo una concordancia alta con el estándar de referencia establecido independientemente por dos patólogos (kappa cuadrático de Cohen 0,723 y 0,707) y dentro de la variabilidad interobservador (kappa 0,71).
Los autores concluyeron que su sistema automatizado de aprendizaje profundo logró un desempeño similar al de los patólogos para la clasificación de Gleason y podría contribuir, potencialmente, al diagnóstico de cáncer de próstata. El sistema podría ayudar potencialmente a los patólogos mediante el examen de biopsias, proporcionando segundas opiniones sobre el grado y presentando mediciones cuantitativas de los porcentajes de volumen. El estudio fue publicado el 8 de enero de 2020 en la revista The Lancet Oncology.
Enlace relacionado:
Centro Médico de la Universidad Radboud
Para determinar la agresividad del cáncer, se toman biopsias de la próstata, que son cualificadas por un patólogo. Este “puntaje de Gleason” se usa, a continuación, para clasificar las biopsias en cinco grupos, los Grupos de Grado de Gleason, que indican el riesgo de morir debido al cáncer de próstata. Sin embargo, este es un proceso subjetivo; si el paciente es tratado y cómo, puede depender del patólogo que evalúa el tejido.
Un equipo de científicos del Centro Médico de la Universidad Radboud (Nijmegen, Países Bajos) desarrolló un sistema de IA que examina esas biopsias de la misma manera en que lo hace un patólogo. El sistema de IA también determina el puntaje de Gleason, y luego el sistema puede clasificar una biopsia de acuerdo con los Grupos de Grado de Gleason. Mediante el aprendizaje profundo, el sistema examinó miles de imágenes de biopsias para saber qué es una próstata sana y cómo se ve el tejido de cáncer de próstata más o menos agresivo. Se usó una técnica de etiquetado semiautomático para evitar la necesidad de anotaciones manuales por parte de los patólogos, utilizando los informes de los patólogos como el estándar de referencia durante el entrenamiento. El sistema fue desarrollado para delinear glándulas individuales, asignar patrones de crecimiento de Gleason y determinar el grado a nivel de biopsia.
Los investigadores recolectaron 5.759 biopsias de 1.243 pacientes. El sistema desarrollado logró un alto acuerdo con el estándar de referencia y obtuvo un puntaje alto en los umbrales de decisión clínica: benigno versus maligno (área bajo la curva 0,99), grupo de grado de 2 o más (0,978) y grupo de grado 3 o más (0,974). En un experimento de observación, el sistema de aprendizaje profundo obtuvo una puntuación más alta (kappa 0,854) que el panel (kappa mediana 0,819), superando a 10 de 15 observadores patólogos. En el conjunto de datos de prueba externo, el sistema obtuvo una concordancia alta con el estándar de referencia establecido independientemente por dos patólogos (kappa cuadrático de Cohen 0,723 y 0,707) y dentro de la variabilidad interobservador (kappa 0,71).
Los autores concluyeron que su sistema automatizado de aprendizaje profundo logró un desempeño similar al de los patólogos para la clasificación de Gleason y podría contribuir, potencialmente, al diagnóstico de cáncer de próstata. El sistema podría ayudar potencialmente a los patólogos mediante el examen de biopsias, proporcionando segundas opiniones sobre el grado y presentando mediciones cuantitativas de los porcentajes de volumen. El estudio fue publicado el 8 de enero de 2020 en la revista The Lancet Oncology.
Enlace relacionado:
Centro Médico de la Universidad Radboud
Últimas Patología noticias
- Inteligencia artificial detecta células tumorales viables para pronósticos precisos de cáncer de hueso después de quimioterapia
- Nueva técnica identifica células cancerosas individuales en sangre para tratamientos específicos
- Innovador dispositivo de extracción de sangre supera obstáculos comunes relacionados con la flebotomía
- Biopsia de piel virtual determina la presencia de células cancerosas
- Dispositivo POC intraoperatorio distingue entre quistes ováricos benignos y malignos en 15 minutos
- Prueba simple de biopsia de piel detecta el Parkinson y enfermedades neurodegenerativas relacionadas
- Herramienta bioinformática para identificar alteraciones cromosómicas en células tumorales puede mejorar diagnóstico del cáncer
- Dispositivo del tamaño de una moneda aísla rápidamente plasma sanguíneo para diagnósticos clínicos más rápidos y precisos
- IA predice propagación del cáncer al cerebro a partir de imágenes de biopsia de pulmón
- Tecnología de microagujas mejorada acelera extracción de muestra de líquido intersticial para diagnóstico de enfermedades
- IA supera a patólogos expertos en predicción de propagación del cáncer de pulmón
- Primer prototipo para aplicar IA al diagnóstico colorrectal
- Nueva prueba identifica cánceres de ovario agresivos más temprano
- Instrumento compacto de detección fotoacústica mejora diagnóstico biomédico de tejidos
- Dispositivo de esponja en cápsula no endoscópica ayuda a detectar cáncer de esófago
- Sistema de citología digital ofrece tecnología de próxima generación para prueba de Papanicolaou