La inteligencia artificial tiene el potencial de mejorar el análisis de datos de imágenes médicas. Por ejemplo, algoritmos basados en aprendizaje profundo pueden determinar la ubicación y el tamaño de un tumor. Este es el resultado de AutoPET, un concurso internacional para el análisis de imágenes médicas, en el que investigadores del Instituto Tecnológico de Karlsruhe (KIT) quedaron en quinto lugar. Siete de los mejores equipos de AutoPET informan en la revista Nature Machine Intelligence cómo los algoritmos pueden detectar lesiones tumorales en tomografía por emisión de positrones (PET) y tomografía computarizada (CT).
Las técnicas de imagen juegan un papel clave en el diagnóstico del cáncer. Determinar con precisión la ubicación, el tamaño y el tipo de tumor es esencial para elegir el tratamiento adecuado. Las técnicas de imagen más importantes incluyen la tomografía por emisión de positrones (PET) y la tomografía computarizada (CT). La PET utiliza radionucleidos para observar los procesos metabólicos del cuerpo. La tasa metabólica de los tumores malignos es mucho mayor que la de los tejidos benignos. Para este fin se utiliza glucosa radiomarcada, normalmente flúor-18-desoxiglucosa (FDG). En la tomografía computarizada, el cuerpo se escanea capa por capa en un tubo de rayos X para visualizar la anatomía y localizar los tumores.
La automatización puede ahorrar tiempo y mejorar la evaluación.
Los pacientes con cáncer a veces presentan cientos de lesiones, es decir, cambios patológicos debido al crecimiento del tumor. Se deben capturar todas las lesiones para obtener una imagen uniforme. Los médicos determinan el tamaño de las lesiones tumorales marcando manualmente imágenes de cortes 2D, una tarea que requiere mucho tiempo. “El diagnóstico automatizado mediante algoritmos ahorrará mucho tiempo y mejorará los resultados”, explica el profesor Rainer Stifelhagen, director del Laboratorio de Visión por Computador para la Interacción Humano-Ordenador (cv:hci) en KIT.
Rainer Stiefelhagen y Zdravko Marinov, estudiantes de doctorado de cv:hci, participaron en el concurso internacional AutoPET 2022 y quedaron quintos entre 27 equipos de 359 participantes de todo el mundo. Los investigadores de Karlsruhe se asociaron con los profesores Jens Klassek y Lars Helliger en el IKIM, Instituto de Inteligencia Artificial en Medicina, con sede en Essen. Organizado por el Hospital Universitario de Tübingen y el Hospital LMU de Múnich, autoPET combinó imágenes y aprendizaje automático. La tarea consistía en diferenciar automáticamente las lesiones tumorales metabólicamente activas visualizadas en la PET/TC de cuerpo entero. Para entrenar el algoritmo, los equipos participantes tuvieron acceso a un gran conjunto de datos PET/CT anotados. Todos los algoritmos presentados para la etapa final del concurso se basan en métodos de aprendizaje profundo. Es un tipo de aprendizaje automático que utiliza redes neuronales artificiales multicapa para reconocer patrones y correlaciones complejos en grandes cantidades de datos. Siete de los mejores equipos de la competición AutoPET han informado sobre el potencial del análisis automatizado de datos de imágenes médicas. Inteligencia de la máquina de la naturaleza Diario
Conjunto de algoritmos Excel en detección de lesiones tumorales.
Como explican los investigadores en su publicación, una combinación de algoritmos de primer nivel resultó superior a los algoritmos individuales. Un par de algoritmos pueden detectar lesiones tumorales de manera eficiente y precisa. “Si bien el rendimiento de los algoritmos en la evaluación de datos de imágenes depende en parte de la cantidad y calidad de los datos, el diseño del algoritmo es otro factor importante, por ejemplo las decisiones tomadas en el posprocesamiento de la segmentación predictiva”, explica Stifelhagen. Se necesitan más investigaciones para mejorar los algoritmos y hacerlos más resistentes a influencias externas para que puedan utilizarse en la práctica clínica diaria. Su objetivo es automatizar completamente el análisis de datos de imágenes médicas de PET y CT en un futuro próximo.
