Investigadores do Vall d’Hebron Instituto de Oncoloxía (VHIO), xunto con radiólogos do Hospital Universitario de Bellvitge, desenvolveron unha ferramenta baseada na aprendizaxe de patróns mediante modelos de intelixencia artificial (IA) a partir da información que proporciona a resonancia magnética estándar.
Os resultados deste estudo, publicado na revista Cell Reports Medicine, indican que o software con acceso aberto Diagnose In Susceptibility Contrast Enhancing Regions for Neuroncology (DISCERN) supera aos métodos convencionais para axudar ao diagnóstico de cancro cerebral.
O 70% destes tumores malignos son dun destes tres tipos: glioblastoma multiforme, metástases cerebrais de tumores sólidos e linfoma primario do sistema nervioso. Cada un deles require un enfoque terapéutico distinto, polo que é imprescindible identificalos de forma correcta e inequívoca.
“O diagnóstico diferencial non invasivo nestes tumores baséase actualmente na avaliación de imaxe de resonancia magnética antes e despois de administrar contraste. Con todo, un diagnóstico definitivo moitas veces require de intervencións neurocirúrxicas que comprometen a calidade de vida dos pacientes” explica Raquel Pérez-López, investigadora do VHIO e autora sénior do estudo.
“Neste proxecto intégrase o coñecemento de varios traballos previos con métodos de intelixencia artificial, o que deriva nun software que automatiza a clasificación diagnóstica precirúrxica con moi boa precisión, á vez que facilita a súa aplicabilidade clínica cunha interface amigable para os clínicos”, afirma Albert Pons-Escoda, coautor e experto da Unidade de Neuroradioloxía de Bellvitge.
Descifrar o comportamento de cada tumor
A nova ferramenta, que poderá utilizarse en calquera centro e seguirá perfeccionando o sistema, baséase na aprendizaxe profunda, un método de intelixencia artificial que aproveita toda a información espacial e temporal da resonancia magnética estándar para identificar patróns de comportamento específicos na imaxe de cada tumor.
“A aprendizaxe profunda consiste en ensinar á máquina cales son as características de cada un dos tumores que atopamos nas resonancias magnéticas de pacientes xa diagnosticados”, indica Alonso García-Ruiz, investigador do VHIO e primeiro autor deste estudo.
Neste caso, as unidades de aprendizaxe son os vóxeles, a unidade mínima de volume que podemos estudar nas imaxes de resonancia magnética. Trátase do equivalente ao píxel, pero en 3D.
“DISCERN aprendeu as características destes tres tipos diferentes de tumor cerebral a partir de 50.000 vóxeles de 40 pacientes diagnosticados”, apunta Pérez-López. “Validamos a ferramenta en máis de 500 casos adicionais e comprobamos que o 78% dos diagnósticos que daba a ferramenta eran correctos, unha proporción superior á obtida cos métodos convencionais utilizados ata hoxe”.
“Trátase dunha ferramenta de apoio ao diagnóstico que ofrece unha información de gran utilidade para guiar as decisións médicas dos grupos multidisciplinares en canto á necesidade e o tipo de cirurxía requirido para confirmar o diagnóstico”, comenta pola súa banda Carles Majós, coautor e neurorradiólogo clínico de Bellvitge.
Para o equipo, os resultados publicados abren a porta para continuar co desenvolvemento desta ferramenta e validala con máis pacientes para poder levala á práctica clínica.
Referencia: An accessible deep learning tool for voxel-wise classification of brain malignancies from perfusion MRI (Publicado en Cell Reports Medicine)
