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 Tecnología noticias
- Nuevo sistema de diagnóstico de laboratorio en un chip iguala la precisión de las pruebas de PCR
- Biosensor de ADN permite diagnóstico temprano del cáncer de cuello uterino
- Dispositivos de microfluidos autocalentables pueden detectar enfermedades en pequeñas muestras de sangre o fluidos
- Avance en tecnología de diagnóstico podría hacer que pruebas en el sitio sean ampliamente accesibles
- Primera tecnología de su tipo para detectar glucosa en saliva humana
- Dispositivo electroquímico identifica personas con mayor riesgo de osteoporosis mediante una sola gota de sangre
- Nueva prueba no invasiva detecta infección por malaria sin muestra de sangre
- Dispositivos de detección optofluídicos portátiles podrían realizar simultáneamente una variedad de pruebas médicas
- Solución de software para punto de atención ayuda a manejar escenarios de pruebas POC dispares en ubicaciones de prueba de pacientes
- Biosensor electrónico detecta biomarcadores en muestras de sangre completa sin agregar reactivos
- Prueba innovadora detecta marcadores biológicos relacionados con una variedad mayor de cánceres
- Kit de detección rápida POC determina la salud intestinal a partir de muestras de suero sanguíneo y heces
- Dispositivo convierte teléfono inteligente en microscopio de fluorescencia por solo 50 dólares
- Lector de tubos portátil habilitado para Wi-Fi diseñado para una fácil portabilidad
- Novedosa plataforma de pruebas de diagnóstico asegura el tiempo de respuesta a situaciones de pandemia emergentes
- Transistor revolucionario podría permitir dispositivos portátiles para medir el sodio y el potasio en la sangre