Estudio de inteligencia artificial clasifica y predice mutaciones en tipos de cáncer de pulmón

0
338

Nuevo estudio de inteligencia artificial clasifica y predice mutaciones en tipos de cáncer de pulmón, se trata de el programa de computadora impulsado por la IA que analiza el tejido creando un mapa de miles de fichas.

 

El mapa de la derecha muestra el carcinoma de células escamosas (rojo), el carcinoma de células escamosas de pulmón (azul) y el tejido pulmonar normal (gris).

Imagen : NYU School of Medicine

Los investigadores han entrenado un programa de computadora para leer diapositivas de muestras de tejido para diagnosticar dos de los tipos más comunes de cáncer de pulmón con un 97% de precisión. El programa también aprendió a detectar mutaciones genéticas relacionadas con el cáncer en las muestras con solo analizar las imágenes del tejido canceroso.


Clasificación y predicción de mutaciones a partir de imágenes histopatológicas de cáncer de pulmón no de células pequeñas mediante aprendizaje profundo.

La inspección visual de las diapositivas de histopatología es uno de los principales métodos utilizados por los patólogos para evaluar el estadio, el tipo y el subtipo de tumores pulmonares. El adenocarcinoma (LUAD) y el carcinoma de células escamosas (LUSC) son los subtipos más prevalentes de cáncer de pulmón, y su distinción requiere la inspección visual por parte de un patólogo con experiencia. En este estudio, entrenamos una red neuronal convolucional profunda  en imágenes de diapositivas completas obtenidas de The Cancer Genome Atlas para clasificarlas de forma precisa y automática en LUAD, LUSC o tejido pulmonar normal. El rendimiento de nuestro método es comparable al de los patólogos, con un área promedio bajo la curva (AUC) de 0,97. Nuestro modelo se validó en conjuntos de datos independientes de tejidos congelados, tejidos incluidos en parafina fijados con formalina y biopsias. Además, entrenamos la red para predecir los diez genes más comúnmente mutados en LUAD. Descubrimos que seis de ellas (STK11, EGFR, FAT1, SETBP1, KRAS y TP53) se pueden predecir a partir de imágenes de patología, con AUC de 0.733 a 0.856, medido en una población retenida. Estos hallazgos sugieren que los modelos de aprendizaje profundo pueden ayudar a los patólogos a detectar subtipos de cáncer o mutaciones genéticas. Nuestro enfoque puede aplicarse a cualquier tipo decáncer, y el código está disponible en https://github.com/ncoudray/DeepPATH.


En un proceso conocido como aprendizaje automático, el programa de computadora escanea imágenes de cortes de tejido y desarrolla la capacidad de diferenciar el tejido pulmonar normal de las dos formas más comunes de cáncer de pulmón, los adenocarcinomas , que constituyen aproximadamente el 40% de los cánceres de pulmón y las células escamosas. carcinomas , que constituyen alrededor del 25% al ​​30% de los cánceres de pulmón. Incluso los patólogos experimentados pueden luchar para distinguir estos dos tipos de cáncer de pulmón, que surgen de diferentes tipos de células y requieren regímenes de tratamiento muy diferentes.

Para entrenar el programa de computadora, los investigadores especializados en aprendizaje automático utilizaron un método de aprendizaje profundo desarrollado originalmente y publicado por Google. El programa utiliza inteligencia artificial (IA) para enseñarse a sí mismo a mejorar en una tarea, en este caso, clasificar las muestras de cáncer de pulmón, sin que se le diga exactamente cómo.

El programa se entrenó utilizando más de 1,600 portaobjetos histopatológicos de muestras de pulmón disponibles públicamente por The Cancer Genome Atlas (TCGA) El estudio, dirigido por investigadores del Centro Médico Langone de la Universidad de Nueva York y publicado el 17 de septiembre en Nature Medicine , representa una gran mejora en la precisión de los métodos computacionales para diagnosticar el cáncer de pulmón; El segundo método computacional más preciso tiene una tasa de precisión del 83%.

Imágenes como datos y recurso público.

TCGA puso a disposición imágenes histopatológicas de muestras de tumores como medida de control de calidad para los investigadores que estudian los datos de secuencia genética recopilados en el proyecto. Las imágenes «se requerían para asegurarse de que la calidad y la identidad del tejido fueran correctas», dijo Jean C. Zenklusen, Ph.D., director de TCGA en NCI. Como beneficio incidental, dijo el Dr. Zenklusen, las imágenes en sí sirven ahora como un recurso para el análisis.

Las imágenes puestas a disposición por TCGA son grandes y de alta resolución, por lo que los investigadores de la NYU dividieron cada imagen en miles de mosaicos, o «parches», en una cuadrícula para que el programa de computadora analice individualmente las señales visuales que podrían estar vinculadas a las muestras. clasificación. «Tuvimos alrededor de 500 pacientes por subtipo [cáncer de pulmón], pero miles de parches por imagen, por lo que al final tuvimos casi un millón de parches para entrenar el modelo», dijo Narges Razavian, Ph.D., una máquina de aprendizaje e IA Investigador de NYU Langone, quien ayudó a dirigir el estudio.

La precisión con la que el programa aprendió a distinguir el adenocarcinoma del carcinoma de células escamosas y las células pulmonares normales fue aproximadamente igual a la de los patólogos experimentados, pero el análisis se puede hacer mucho más rápido; El programa pudo llegar a una conclusión en cuestión de segundos en lugar de los minutos que un patólogo necesitaría.

El programa también clasificó correctamente 45 de 54 imágenes que clasificaron erróneamente al menos uno de los tres patólogos participantes en el estudio, lo que sugiere que la IA podría ofrecer una segunda opinión útil, escribieron los investigadores.

El programa se probó en un conjunto independiente de muestras de cáncer de pulmón, tanto congeladas como recién recolectadas, de la NYU para verificar que funcionó en una colección de muestras completamente separada.

Las muestras de TCGA fueron casi enteramente tejido tumoral. Sin embargo, en este conjunto de validación, las muestras a menudo incluían otros componentes, como coágulos de sangre y tejido muerto, «lo que hace que la tarea de clasificación sea más desafiante» para el programa, informaron los investigadores.

En respuesta, volvieron a trabajar en el programa para que se enfocara en las partes de las muestras de tejido que eran en gran parte tumorales (como lo identificó un patólogo). Con ese cambio, la precisión del método promedió más del 90%, lo que describieron como «muy alentador».

El papel de la IA en el tratamiento y la investigación

Debido a la velocidad y precisión del programa informático, el equipo de investigación sugirió que la herramienta podría usarse durante la cirugía, por ejemplo, para ayudar a verificar que una biopsia es de la calidad suficiente para hacer un diagnóstico o informar al cirujano que se necesita otra muestra.

Además de mostrar que la IA se puede usar para hacer un diagnóstico rápido y preciso, el proyecto de investigación mostró que la IA podría entrenarse para predecir la presencia de seis de las mutaciones genéticas más comunes en el adenocarcinoma de cáncer de pulmón, con una precisión que oscila entre el 64%. Al 86%, dependiendo del gen.

«Eso es muy emocionante científicamente», dijo el Dr. Razavian.

Actualmente, la única forma en que los humanos pueden detectar mutaciones genéticas es mediante la secuenciación del ADN , que puede demorar hasta 2 semanas.

«El cáncer de pulmón generalmente se detecta al final de la progresión de la enfermedad, por lo que esperar 2 semanas para comenzar cualquier tratamiento es malo para el paciente», anotó el Dr. Razavian.

Muchos equipos médicos comenzarán el tratamiento y luego ajustarán la medicación utilizada según los resultados de las pruebas genéticas. «Lo que demostramos es que, con este programa, podría comenzar un tratamiento que probablemente sea el correcto de inmediato», dijo Razavian.

El programa es una «caja negra», ya que sus decisiones son el resultado de miles de pequeños pasos interconectados, que no son fáciles de resumir. Los investigadores no pueden visualizar exactamente lo que el programa detecta en una imagen para predecir la presencia de mutaciones genéticas, pero el programa puede servir como «una lente que muestra patrones que son difíciles de notar con el ojo», dijo el Dr. Razavian.

Ella y sus colegas están utilizando el programa para investigar cómo las mutaciones genéticas afectan las estructuras de las células y los tejidos. Para abordar este problema, utilizan métodos automatizados que modifican las imágenes para descubrir qué elementos visuales influyen más en la capacidad del programa para percibir mutaciones.

«Las fortalezas del estudio», dijo Paula Jacobs, Ph.D., directora asociada del Programa de Diagnóstico por Imágenes del Cáncer del NCI, «son la selección cuidadosa del problemaclínico que debe abordarse», cómo se capacitó al programa y el hecho de que los resultados se verificaron utilizando un conjunto independiente de muestras de cáncer de pulmón.

Michael Snyder, Ph.D., catedrático de genética en la Universidad de Stanford, ve la inteligencia artificial como el futuro del diagnóstico. «Creo que debemos pasar a utilizar el aprendizaje automático en lugar de confiar solo en los patólogos para hacer todo el trabajo», dijo. “Los algoritmos no reemplazarán a los patólogos, pero los ayudarán a hacer clasificaciones. Reducirán los errores que los patólogos cometerían de otra manera «.

El código desarrollado para el proyecto está disponible para que otros investigadores lo utilicen para otras aplicaciones de diagnóstico. El equipo de la NYU ya comenzó a aplicar el código para aprender a diagnosticar los cánceres de riñón, mama y otros tipos de cáncer.

Fuente :NCI