Herramienta de IA supera a los patólogos humanos en la predicción de la supervivencia después del diagnóstico de cáncer colorrectal

El cáncer colorrectal, el segundo cáncer más letal del mundo, muestra un comportamiento variable incluso entre personas con perfiles de enfermedad similares que se someten al mismo tratamiento. Ahora, un nuevo modelo de inteligencia artificial (IA) puede ofrecer información valiosa a los médicos que hacen pronósticos y determinan tratamientos para pacientes con cáncer colorrectal.

Investigadores de la Facultad de Medicina de Harvard (Boston, MA, EUA) y la Universidad Nacional Cheng Kung (Tainan, Taiwán) han desarrollado una herramienta llamada MOMA (siglas en inglés para Evaluación multiómica de múltiples cohortes) que predice con precisión la agresividad del tumor colorrectal, las tasas de supervivencia del paciente con y sin recurrencia de la enfermedad y la terapia más eficaz mediante el análisis de imágenes de muestras del tumor solo. A diferencia de muchas herramientas de IA existentes que principalmente replican u optimizan la experiencia humana, MOMA identifica e interpreta patrones visuales en imágenes de microscopía que son indetectables para el ojo humano. La herramienta está disponible gratuitamente para investigadores y médicos.

El modelo se entrenó utilizando datos de aproximadamente 2.000 pacientes con cáncer colorrectal de diversas cohortes de pacientes nacionales, con un total de más de 450.000 participantes. Durante el entrenamiento, los investigadores proporcionaron al modelo información sobre la edad y el sexo de los pacientes, el estadio del cáncer y los resultados, así como los perfiles genómico, epigenético, proteico y metabólico de los tumores. Luego, se le dió al modelo la tarea de identificar marcadores visuales relacionados con tipos de tumores, mutaciones genéticas, cambios epigenéticos, progresión de la enfermedad y supervivencia del paciente utilizando imágenes patológicas de muestras de tumores. El desempeño del modelo se evaluó utilizando un conjunto de imágenes de muestras de tumores de diferentes pacientes que no habían sido vistas anteriormente, comparando sus predicciones con los resultados reales de los pacientes y otros datos clínicos.

MOMA predijo con precisión la supervivencia general después del diagnóstico y la cantidad de años libres de cáncer para los pacientes. También anticipó correctamente las respuestas individuales de los pacientes a diversas terapias en función de la presencia de mutaciones genéticas específicas que influyen en la progresión o propagación del cáncer. En ambas áreas, la herramienta superó a los patólogos humanos y los modelos actuales de IA. Los investigadores recomiendan probar el modelo en un ensayo aleatorio prospectivo que evalúe su desempeño en pacientes reales a lo largo del tiempo después del diagnóstico inicial antes de implementarlo en clínicas y hospitales. Tal estudio compararía directamente el desempeño de MOMA en la vida real utilizando solo imágenes con médicos humanos que utilizan conocimientos adicionales y resultados de pruebas no disponibles para el modelo, brindando la demostración estándar de oro de sus capacidades.

"Nuestro modelo realiza tareas que los patólogos humanos no pueden hacer basándose únicamente en la visualización de imágenes", dijo el coautor principal del estudio, Kun-Hsing Yu, profesor asistente de informática biomédica en el Instituto Blavatnik de la Facultad de Medicina de Harvard, quien dirigió un equipo internacional de patólogos, oncólogos, informáticos biomédicos e informáticos. “Lo que anticipamos no es un reemplazo de la experiencia del patólogo humano, sino un aumento de lo que pueden hacer los patólogos humanos. Esperamos que este método aumente la práctica clínica actual del tratamiento del cáncer”.

Enlaces relacionados:
Facultad de Medicina de Harvard
Universidad Nacional Cheng Kung

Visitar la expo >

Miembro Oro

Turnkey Packaging Solution

HLX

Antipsychotic TDM Assays
Saladax Antipsychotic Assays

New

Vibrio Cholerae O1/O139 Rapid Test

StrongStep Vibrio Cholerae O1/O139 Antigen Combo Rapid Test

New

Histamine ELISA

Histamine ELISA