Cáncer de próstata se diagnostica mejor usando la inteligencia artificial

Para determinar la agresividad del cáncer, se toman biopsias de la próstata, que son cualificadas por un patólogo. Este “puntaje de Gleason” se usa, a continuación, para clasificar las biopsias en cinco grupos, los Grupos de Grado de Gleason, que indican el riesgo de morir debido al cáncer de próstata. Sin embargo, este es un proceso subjetivo; si el paciente es tratado y cómo, puede depender del patólogo que evalúa el tejido.

Un equipo de científicos del Centro Médico de la Universidad Radboud (Nijmegen, Países Bajos) desarrolló un sistema de IA que examina esas biopsias de la misma manera en que lo hace un patólogo. El sistema de IA también determina el puntaje de Gleason, y luego el sistema puede clasificar una biopsia de acuerdo con los Grupos de Grado de Gleason. Mediante el aprendizaje profundo, el sistema examinó miles de imágenes de biopsias para saber qué es una próstata sana y cómo se ve el tejido de cáncer de próstata más o menos agresivo. Se usó una técnica de etiquetado semiautomático para evitar la necesidad de anotaciones manuales por parte de los patólogos, utilizando los informes de los patólogos como el estándar de referencia durante el entrenamiento. El sistema fue desarrollado para delinear glándulas individuales, asignar patrones de crecimiento de Gleason y determinar el grado a nivel de biopsia.

Los investigadores recolectaron 5.759 biopsias de 1.243 pacientes. El sistema desarrollado logró un alto acuerdo con el estándar de referencia y obtuvo un puntaje alto en los umbrales de decisión clínica: benigno versus maligno (área bajo la curva 0,99), grupo de grado de 2 o más (0,978) y grupo de grado 3 o más (0,974). En un experimento de observación, el sistema de aprendizaje profundo obtuvo una puntuación más alta (kappa 0,854) que el panel (kappa mediana 0,819), superando a 10 de 15 observadores patólogos. En el conjunto de datos de prueba externo, el sistema obtuvo una concordancia alta con el estándar de referencia establecido independientemente por dos patólogos (kappa cuadrático de Cohen 0,723 y 0,707) y dentro de la variabilidad interobservador (kappa 0,71).

Los autores concluyeron que su sistema automatizado de aprendizaje profundo logró un desempeño similar al de los patólogos para la clasificación de Gleason y podría contribuir, potencialmente, al diagnóstico de cáncer de próstata. El sistema podría ayudar potencialmente a los patólogos mediante el examen de biopsias, proporcionando segundas opiniones sobre el grado y presentando mediciones cuantitativas de los porcentajes de volumen. El estudio fue publicado el 8 de enero de 2020 en la revista The Lancet Oncology.

Enlace relacionado:
Centro Médico de la Universidad Radboud