Algoritmo de IA para la TC categoriza el riesgo de cáncer de los nódulos pulmonares

Desarrollada en la Universidad de Vanderbilt (Nashville, TN, EUA), Optellum (Oxford, Reino Unido) y otras instituciones, el modelo de red neuronal convolucional de predicción de cáncer de pulmón (LCP-CNN) fue entrenado inicialmente usando imágenes de tomografía computarizada (TC) de NPI del Ensayo de Cribado Nacional del Pulmón (NLST) de EUA, validadas internamente y probadas externamente en cohortes de dos instituciones académicas. Luego, los investigadores compararon el LCP-CNN con los modelos tradicionales de predicción de riesgo en un conjunto de datos muy grande de 15.693 nódulos.

Los resultados mostraron que el modelo de riesgo de IA se asoció con una mayor exactitud para el cálculo del riesgo de enfermedad previsto en cada umbral de manejo de la terapia, así como en las cohortes de validación externa. En comparación con los modelos de riesgo convencionales utilizados actualmente, el algoritmo LCP-CNN reclasificó los NPI en categorías de bajo o alto riesgo en más de un tercio de los cánceres y de los nódulos benignos. El estudio fue publicado el 24 de abril de 2020 en la revista American Journal of Respiratory and Critical Care Medicine.

“La gestión de NPI sigue siendo un desafío, y se necesitan estrategias para disminuir la tasa de procedimientos invasivos innecesarios y optimizar los regímenes de vigilancia”, concluyeron el autor principal, profesor Pierre Massion, MD, de la Universidad de Vanderbilt, y sus colegas. “Este estudio demuestra que este algoritmo de aprendizaje profundo puede reclasificar correctamente los NPI en categorías de bajo o alto riesgo, reduciendo potencialmente la cantidad de procedimientos invasivos innecesarios y demoras en el diagnóstico”.

El aprendizaje profundo es parte de una familia más amplia de métodos de aprendizaje automático de IA que utilizan representaciones de datos, en lugar de algoritmos específicos de tareas. Involucra algoritmos CNN que ejecutan una cascada de muchas capas de unidades de procesamiento no lineales para permitir la extracción, conversión y transformación de características. Cada capa sucesiva utiliza la salida de la capa anterior como entrada para formar una representación jerárquica.

Enlace relacionado:
Universidad de Vanderbilt
Optellum