Impacto de la inteligencia artificial en oncología

La histopatología ha sido hasta la actualidad el estándar diagnóstico de las patologías vinculadas con el cáncer. Pero, mientras que la interpretación de los cortes de tejido es subjetiva, la llegada de la genómica clínica ha contribuido a perfeccionar la estratificación de los pacientes y la toma de decisiones clínicas mediante la identificación de vulnerabilidades tumorales procesables.

Sin embargo, tanto la evaluación histológica como los métodos de secuenciación llevan mucho tiempo y son costosos, y a menudo arrojan resultados inconsistentes entre distintas instituciones.

Entran en escena el big data y la inteligencia artificial (IA), con la premisa de que, si se dispone de suficiente información, se pueden generar modelos predictivos que logren diagnósticos automatizados de grado clínico y faciliten los flujos de trabajo de los médicos para un diagnóstico preciso.

En la última década se ha producido un aumento de la cantidad de datos clínicos digitalizados, como las historias clínicas electrónicas, la genómica y las imágenes biomédicas digitales. Tal vez debido a sus protocolos estandarizados de recogida de datos de alta calidad y a los menores problemas inherentes a la falta de datos que en otros tipos de datos clínicos, las imágenes médicas han surgido como una frontera de éxito para la IA en medicina.

La visión por ordenador ha permitido realizar algunos de los estudios más sorprendentes que predicen indicios moleculares y patológicos a partir de imágenes digitalizadas. El nivel de información que se puede recuperar de las imágenes digitales supera la capacidad humana en términos de velocidad, así como la capacidad de inferir y detectar rasgos sutiles ocultos a la percepción humana.

En 2017, Esteva et al. publicaron un estudio histórico en el campo de la visión por ordenador aplicada a la detección del cáncer. Los autores utilizaron un gran conjunto de datos de imágenes digitales de afecciones cutáneas para entrenar y validar una red neuronal convolucional profunda capaz de discriminar entre lesiones benignas y malignas con una precisión similar a la de los dermatólogos entrenados. Estos hallazgos dieron lugar a otros estudios destinados a comprender si se pudieran determinar otras características, además de la clasificación de los tumores frente a los tejidos normales -una tarea que pueden realizar fácilmente los patólogos capacitados-, a partir de los patrones histológicos.

El trabajo de prueba de concepto de Coudray et al. proporcionó la primera prueba sólida de que el aprendizaje profundo en portaobjetos de histología tumoral puede predecir mutaciones conductoras y clasificar subtipos de tumores. El trabajo de seguimiento de Campanella et al. (2019) demostró que se puede lograr una alta precisión diagnóstica sin necesidad de curar los datos previamente, si los conjuntos de datos son lo suficientemente grandes y los estudios de Fu et al. (2020) y Kather et al. (2020) ampliaron la amplitud de la aplicabilidad de estos algoritmos en la detección de huellas moleculares y correlaciones pronósticas en múltiples tipos de cáncer.

Tal vez la funcionalidad más relevante de la IA en la histopatología del cáncer sea su integración en los flujos de trabajo clínicos para mejorar la gestión de los pacientes. Otra aplicación clínica pragmática de la IA médica ha permitido el diagnóstico casi en tiempo real de los pacientes en el quirófano. Un ensayo clínico prospectivo realizado por Hollon et al. (2020) ha demostrado que un sistema impulsado por la IA puede ofrecer diagnósticos precisos a los pacientes que se someten a una intervención quirúrgica por cáncer cerebral, lo que pone de manifiesto el potencial de estos modelos para aumentar la velocidad y la precisión de las decisiones clínicas.

Se necesitan estudios futuros para garantizar que este nivel de percepción aumentada no esté disponible solo para las instituciones que pueden permitirse costosos aparatos y programas médicos. Esteva, et al. allanaron el camino hacia un acceso asequible a la clasificación diferencial de las lesiones cutáneas asistida por la IA mediante el uso de cámaras de teléfonos móviles normales. Otros esfuerzos de Chen et al. (2019) han permitido la integración en tiempo real mediante enfoques de realidad aumentada que, al superponer un sistema de IA con el campo de visión de un microscopio, facilitan la anotación histológica automatizada en lugares que carecen de acceso a patólogos capacitados. Estos métodos han ampliado las aplicaciones de la IA en el mundo real un paso más allá en el diagnóstico del cáncer de próstata, y pueden ampliarse a otros tipos de tumores y enfermedades que a menudo requieren una evaluación histológica especializada.

La mayoría de los estudios realizados hasta la fecha han sido correlativos y se han basado en el análisis retrospectivo de conjuntos de datos controlados. Estos han proporcionado los fundamentos de la IA en las aplicaciones sanitarias y han ilustrado nuevas posibilidades para mejorar el rendimiento de los patólogos formados. Para aprovechar plenamente su potencial, los sistemas de IA deben probarse de forma crucial en estudios prospectivos controlados para evaluar con precisión su valor clínico, un entorno para el que Liu et al. (2020) han elaborado directrices específicas.

REFERENCIAS

• Bejnordi, B. et al. (2017). Diagnostic assessment of deep learning algorithms for detection of lymph node metastases in women with breast cancer. JAMA, 22, 2199-2210.
• Campanella, G. et al. (2019). Clinical-grade computational pathology using weakly supervised deep learning on whole slide images. Nature Medicine, 25, 1301-1309.
• Chen, P. et al. (2019). An augmented reality microscope with real-time artificial intelligence integration for cancer diagnosis. Nature Medicine, 25, 1453-1457.
• Fu, Y. et al. (2020). Pan-cancer computational histopathology reveals mutations, tumor composition and prognosis. Nature Cancer, 1, 800-810.
• Hollon, T. et al. (2020). Near real-time intraoperative brain tumor diagnosis using stimulated Raman histology and deep neural networks. Nature Medicine, 26, 52-58.
• Kather, J. et al. (2020). Pan-cancer image-based detection of clinically actionable genetic alterations. Nature Cancer, 1, 789-799.
• Liu, X. et al. (2020). Reporting guidelines for clinical trial reports for interventions involving artificial intelligence: the CONSORT-AI extension. Nature Medicine, 26, 1364-1374.
• Soudray, N. et al. (2018). Classification and mutation prediction from non–small cell lung cancer histopathology images using deep learning. Nature Medicine, 24, 1559-1567.