Herramienta de IA combina datos de imágenes médicas con texto para pronosticar el cáncer
Actualizado el 10 Jan 2025
La integración de datos visuales (como imágenes microscópicas y de rayos X, tomografías computarizadas y resonancias magnéticas) con información textual (como notas de exámenes y comunicaciones entre médicos de diferentes especialidades) es un aspecto crucial de la atención oncológica. Si bien las herramientas de inteligencia artificial (IA) se han empleado cada vez más en entornos clínicos, su aplicación principal ha sido en el diagnóstico más que en el pronóstico. La IA ayuda a los médicos a revisar imágenes y detectar anomalías relacionadas con la enfermedad, como células con formas anormales, pero el desarrollo de modelos computarizados que puedan combinar varios tipos de datos ha sido un desafío. Una de las dificultades es la necesidad de entrenar estos modelos con grandes cantidades de datos etiquetados y emparejados, como un portaobjetos de microscopio que muestra un tumor canceroso junto con las notas clínicas del paciente del que se obtuvo el tumor. Sin embargo, los conjuntos de datos curados y anotados suelen ser escasos. Los investigadores ahora han desarrollado un modelo de IA capaz de integrar datos visuales y textuales. Después del entrenamiento con 50 millones de imágenes médicas de diapositivas de patología estándar y más de mil millones de textos relacionados con la patología, el modelo superó los métodos tradicionales en su capacidad para predecir los pronósticos de miles de pacientes con cáncer, identificar individuos con cáncer de pulmón o gastroesofágico que probablemente se beneficiarían con la inmunoterapia y localizar a los pacientes con melanoma con mayor riesgo de experimentar una recurrencia.
El modelo, denominado MUSK (transformador multimodal con modelado de máscara unificado), fue desarrollado por investigadores de Stanford Medicine (Stanford, CA, EUA). MUSK marca un cambio significativo con respecto al uso típico de la IA en entornos clínicos, y los investigadores creen que tiene el potencial de transformar la forma en que la IA puede guiar la atención al paciente. En la terminología de la IA, MUSK se considera un modelo de base. Los modelos de base, que se entrenan previamente en grandes conjuntos de datos, se pueden ajustar aún más con entrenamiento adicional para manejar tareas específicas. Dado que MUSK fue diseñado para utilizar datos multimodales no emparejados que no cumplen con los requisitos tradicionales para el entrenamiento de la IA, puede aprovechar un conjunto de datos mucho más grande para su fase de aprendizaje inicial. Como resultado, el entrenamiento posterior solo requiere conjuntos de datos más pequeños y especializados. Básicamente, MUSK es una herramienta lista para usar que los médicos pueden personalizar para responder preguntas clínicas específicas.
Para desarrollar MUSK, los investigadores recopilaron portaobjetos de tejido microscópico, informes patológicos y datos de seguimiento (incluidos los resultados de los pacientes) de The Cancer Genome Atlas, una base de datos nacional, para personas con 16 tipos principales de cáncer, como cáncer de mama, pulmón, colorrectal, páncreas, riñón, vejiga y cabeza y cuello. Estos datos se utilizaron para entrenar a MUSK para predecir la supervivencia específica de la enfermedad o el porcentaje de pacientes que no han muerto a causa de una enfermedad específica dentro de un período de tiempo determinado. Según el estudio, publicado en Nature, MUSK predijo con precisión la supervivencia específica de la enfermedad para todos los tipos de cáncer el 75 % de las veces. En comparación, las predicciones tradicionales basadas en el estadio del cáncer de una persona y otros factores de riesgo clínicos fueron correctas el 64 % de las veces. En otro ejemplo, se entrenó a MUSK para analizar datos extensos para predecir qué pacientes con cáncer de pulmón o cánceres de los tractos gástrico y esofágico tienen más probabilidades de beneficiarse de la inmunoterapia.
En el caso del cáncer de pulmón de células no pequeñas, MUSK identificó a pacientes que respondieron bien a la inmunoterapia aproximadamente el 77 % de las veces. En cambio, el método convencional de predicción de la respuesta a la inmunoterapia basado en la expresión de PD-L1 fue correcto solo el 61 % de las veces. De manera similar, cuando los investigadores entrenaron a MUSK para identificar a pacientes con melanoma con alto riesgo de recaída dentro de los cinco años posteriores al tratamiento inicial, el modelo fue preciso aproximadamente el 83 % de las veces, lo que es aproximadamente un 12 % más preciso que otros modelos básicos.
“MUSK puede predecir con precisión el pronóstico de personas con distintos tipos y estadios de cáncer”, afirmó el Dr. Ruijiang Li, profesor asociado de oncología radioterápica. “Diseñamos MUSK porque, en la práctica clínica, los médicos nunca se basan en un solo tipo de datos para tomar decisiones clínicas. Queríamos aprovechar varios tipos de datos para obtener más información y obtener predicciones más precisas sobre los resultados de los pacientes”.
"Lo exclusivo de MUSK es la capacidad de incorporar datos multimodales no apareados en el preentrenamiento, lo que aumenta sustancialmente la escala de datos en comparación con los datos apareados que requieren otros modelos", agregó Li.
