El MIT y el Mass General Hospital han desarrollado un sistema de IA que puede detectar el cáncer de pulmón

El cáncer de pulmón es una enfermedad devastadora. Según la Organización Mundial de la Salud, el cáncer de pulmón es una de las causas de muerte más comunes en todo el mundo, representando casi 2,21 millones de casos solo en 2020. Es importante destacar que la enfermedad puede ser progresiva; es decir, para muchos, puede comenzar como síntomas leves que no generan alarma, antes de evolucionar rápidamente a un diagnóstico que pone en peligro la vida y conduce a la muerte. Afortunadamente, la gama de terapias enfocadas en ayudar a los pacientes con cáncer de pulmón ha crecido enormemente en las últimas dos décadas. Sin embargo, la detección temprana del cáncer sigue siendo uno de los únicos medios para disminuir significativamente las tasas de mortalidad.

Un logro notable en este campo es el reciente anuncio del Instituto de Tecnología de Massachusetts (MIT) y el Hospital General de Masas (MGH) con respecto al desarrollo de un modelo de aprendizaje profundo llamado "Sybil" que se puede usar para predecir el riesgo de cáncer de pulmón, utilizando datos de una sola tomografía computarizada. El estudio se publicó formalmente en el Journal of Clinical Oncology la semana pasada y analiza cómo "las herramientas que brindan una evaluación personalizada del riesgo de cáncer en el futuro podrían enfocar los enfoques hacia aquellos que tienen más probabilidades de beneficiarse". Por lo tanto, los líderes del estudio postularon que "se podría construir un modelo de aprendizaje profundo que evalúe todos los datos volumétricos de LDCT [TC de contraste de dosis baja] para predecir el riesgo individual sin requerir datos demográficos o clínicos adicionales".

El modelo comienza con un principio básico: "Las imágenes de LDCT contienen información que predice el riesgo futuro de cáncer de pulmón más allá de las características identificables actualmente, como los nódulos pulmonares". Por lo tanto, los desarrolladores buscaron "desarrollar y validar un algoritmo de aprendizaje profundo que prediga el riesgo futuro de cáncer de pulmón hasta 6 años a partir de una sola exploración LDCT y evaluar su posible impacto clínico".

En general, el estudio ha tenido un éxito notable hasta el momento: Sybil puede predecir el riesgo futuro de cáncer de pulmón de un paciente con cierta precisión, utilizando los datos de una sola LDCT.

Sin duda, las aplicaciones clínicas y las implicaciones de esta tecnología aún son inmaduras. Incluso los líderes del estudio están de acuerdo en que será necesario realizar un trabajo significativo para descubrir exactamente cómo aplicar esta tecnología en la práctica clínica real, específicamente con respecto al desarrollo de un grado de confianza en la tecnología, con la cual los médicos y los pacientes se sentirán seguros al confiar en ella. las salidas del sistema.

Sin embargo, la premisa del algoritmo sigue siendo increíblemente poderosa e implica un posible cambio de juego en el ámbito del diagnóstico predictivo.

Una tomografía computarizada que muestra cáncer de pulmón metastásico. (Foto de BSIP/Universal Images Group a través de Getty … [+] Imágenes)

Grupo de imágenes universales a través de Getty Images

Las medidas de diagnóstico nunca antes habían sido tan poderosas. El hecho de que una herramienta pueda usar solo una tomografía computarizada para predecir la función de una enfermedad a largo plazo podría resolver muchos problemas, el más importante de los cuales es permitir el tratamiento temprano y la disminución de la mortalidad.

Los expertos, al sonrojarse inicialmente, pueden rechazar sistemas como estos, señalando que ningún sistema de IA podría igualar el juicio y la destreza clínica lo suficientemente bien como para reemplazar a un médico humano. Pero el propósito de sistemas como estos no es necesariamente reemplazar la experiencia de los médicos, sino aumentar potencialmente los flujos de trabajo de los médicos.

Un sistema como Sybil podría usarse muy fácilmente como una herramienta de recomendación, señalando tomografías computarizadas potencialmente preocupantes a un médico, quien luego podría usar su propio juicio clínico para estar de acuerdo o en desacuerdo con la recomendación de Sybil. Esto probablemente no solo mejoraría el rendimiento clínico, sino que también podría actuar como un proceso secundario de "verificación" y posiblemente mejorar la precisión del diagnóstico.

Sin duda, aún queda mucho trabajo por hacer en este campo. Los científicos, desarrolladores e innovadores tienen un largo viaje por delante, no solo para perfeccionar el algoritmo y el sistema en sí, sino también para navegar por el terreno lleno de matices de la introducción de esta tecnología en aplicaciones clínicas reales. Sin embargo, la tecnología, la intención y el potencial que tiene con respecto a mejorar la atención al paciente, si se desarrolla de manera segura, ética y eficaz, es ciertamente prometedora para la generación de diagnósticos por venir.