Algoritmo de IA supera a los radiólogos en medición de la propagación del cáncer en TC

Los cánceres de cabeza y cuello y sus tratamientos estándar (cirugía, radiación o quimioterapia) conllevan una morbilidad significativa. Afectan la forma en que una persona se ve, habla, come o respira. Por lo tanto, existe un gran interés en desarrollar estrategias de tratamiento menos intensas para los pacientes. Entre los factores que determinan la etapa del cáncer se encuentran el tamaño del tumor original, la cantidad de ganglios linfáticos involucrados y la extensión extraganglionar, cuando las células malignas se diseminan más allá de los bordes de los ganglios linfáticos del cuello hacia el tejido circundante. Ahora, una nueva investigación ha demostrado que la inteligencia artificial (IA) puede mejorar los métodos actuales para predecir el riesgo de que el cáncer de cabeza y cuello se propague fuera de los bordes de los ganglios linfáticos del cuello.

En un estudio realizado por investigadores del Grupo de Investigación del Cáncer ECOG-ACRIN (ECOG-ACRIN, Filadelfia, PA, EUA), un algoritmo de aprendizaje profundo personalizado que usa imágenes de tomografía computarizada (TC) estándar y datos asociados aportados por pacientes que participaron en el estudio E3311 de fase 2 se mostró prometedor, especialmente para pacientes con un nuevo diagnóstico de cáncer de cabeza y cuello relacionado con el virus del papiloma humano (VPH). El conjunto de datos validado E3311 tiene el potencial de contribuir a la estadificación más precisa de la enfermedad y la predicción del riesgo. El ensayo de fase 2 E3311 completado mostró que la radiación de dosis baja a 50 Gray (Gy) sin quimioterapia después de la cirugía transoral condujo a una supervivencia muy alta y una calidad de vida sobresaliente en pacientes con riesgo medio de recurrencia.

Los investigadores desarrollaron y validaron un algoritmo de aprendizaje profundo basado en redes neuronales basado en tomografías computarizadas de diagnóstico, patología y datos clínicos. La fuente fue la cohorte de participantes en el ensayo E3311 que se evaluó en alto riesgo de recurrencia mediante medidas patológicas y clínicas estándar. En el E3311, los pacientes se evaluaron como de alto riesgo si había una extensión extraganglionar (ENE) ≥1 mm. Estos pacientes fueron asignados a quimioterapia y dosis altas de radiación (66 Gy) después de la cirugía transoral.

Los investigadores obtuvieron tomografías computarizadas previas al tratamiento y los correspondientes informes de patología quirúrgica de la cohorte de alto riesgo E3311, según estuvieran disponibles. De 177 exploraciones recopiladas, se anotaron 311 ganglios: 71 (23 %) con ENE y 39 (13 %) con ≥1 mm ENE. La herramienta mostró un alto rendimiento en la predicción de ENE, superando sustancialmente las revisiones realizadas por radiólogos expertos en cabeza y cuello. El equipo ahora planea evaluar el conjunto de datos como parte de futuros estudios de tratamiento para el cáncer de cabeza y cuello. El algoritmo se evaluará por su potencial para mejorar los métodos actuales de estadificación de la enfermedad y evaluación de riesgos.

“El algoritmo de aprendizaje profundo clasificó con precisión el 85 % de los nodos con ENE en comparación con el 70 % de los radiólogos”, dijo Benjamin Kann, MD, quien dirigió el estudio para ECOG-ACRIN. "En cuanto a la especificidad y la sensibilidad, el algoritmo de aprendizaje profundo tuvo una precisión del 78 % frente al 62 % de los radiólogos".

"Nuestra capacidad para desarrollar biomarcadores a partir de imágenes de tomografía computarizada estándar es una nueva y emocionante área de investigación clínica y brinda la esperanza de que podremos adaptar mejor el tratamiento para pacientes individuales, incluida la decisión sobre cuándo utilizar mejor la cirugía y en quién reducir la extensión del tratamiento", agregó la autora principal Barbara A. Burtness, MD.

Enlaces relacionados:
ECOG-ACRIN

Visitar la expo >

New

Miembro Oro

X-Ray QA Meter

T3 AD Pro

New

Diagnostic Ultrasound System

MS1700C

Ultra-Flat DR Detector

meX+1717SCC

New

Computed Tomography System

Aquilion ONE / INSIGHT Edition