Subscribe Us

SALUD. La técnica del "Machine Learning" identifica pólipos de colon precancerosos

 

A. Colonoscopia óptica y, BD, colonografía por TC de un pólipo de 9 mm (flecha) en el colon descendente de una mujer de 78 años. B, Se utilizaron reconstrucciones tridimensionales de vuelo virtual para la localización exacta del pólipo. C, Se realizó segmentación manual de pólipos en imágenes de colonografía por TC bidimensionales multiplanares. Las imágenes de colonografía D, CT se preprocesaron para la extracción de características de la imagen mediante la aplicación de un filtro dedicado. Fuente: Sociedad Radiológica de EE.UU.

Un algoritmo de aprendizaje automático ayuda a diferenciar con precisión los pólipos colorrectales benignos y premalignos en las exploraciones de colonografía por TC, según un estudio publicado en la revista Radiology .

El cáncer colorrectal se encuentra entre las tres causas más comunes de muerte relacionada con el cáncer entre hombres y mujeres en los países industrializados. La mayoría de los tipos de cáncer colorrectal se originan a partir de , crecimientos similares a glándulas en la membrana mucosa que recubre el , que se desarrollan durante varios años. La detección temprana y la extirpación de estos pólipos precancerosos pueden reducir la incidencia y la mortalidad del cáncer colorrectal.

Durante las últimas dos décadas, la colonografía por TC surgió como una alternativa no invasiva a la colonoscopia en la detección del cáncer colorrectal. Es comparable a la colonoscopia para detectar la mayoría de los pólipos y es eficaz para visualizar porciones del colon que en casos de condiciones anatómicas complejas no siempre pueden evaluarse mediante colonoscopia. Sin embargo, la colonografía por TC no permite una diferenciación definitiva entre pólipos benignos y premalignos, lo cual es crucial para la estratificación del riesgo individual y la orientación terapéutica.

En el nuevo estudio, los investigadores aprovecharon el poder de la radiómica, un proceso de extracción de características cuantitativas de , para caracterizar pólipos más allá de lo que era aparente a simple vista.

Arriba: las imágenes de colonografía por TC axial muestran pólipos colorrectales representativos (flecha) en el conjunto de entrenamiento. Abajo: estudio histopatológico correspondiente. (Tinción con hematoxilina-eosina; aumento original 320.) A. Pólipo hiperplásico de 8 mm en el colon ascendente de una mujer de 54 años con epitelio hiperplásico. B, Adenoma tubular de 8 mm en el colon sigmoide de un hombre de 68 años con patrón de crecimiento tubular y núcleos alargados. C. Adenoma tubulovelloso de 11 mm en el recto de un hombre de 73 años con patrón de crecimiento tubulovelloso y núcleos alargados. Fuente: Sociedad Radiológica de EE.UU.

Los investigadores desarrollaron un  para predecir el carácter de los pólipos individuales basándose en características de imágenes cuantitativas extraídas a través de radiomics. Aplicaron el método de aprendizaje automático no invasivo, basado en la radiómica, en imágenes de colonografía por TC de un grupo de pacientes asintomáticos con riesgo promedio de cáncer colorrectal. El algoritmo de aprendizaje automático se entrenó en un conjunto de más de 100 pólipos colorrectales en 63 pacientes y luego se probó en un conjunto de 77 pólipos en 59 pacientes.

En el conjunto de pruebas, el enfoque de aprendizaje automático permitió la diferenciación no invasiva de pólipos colorrectales benignos y premalignos detectados por colonografía por TC, con una sensibilidad del 82% y una especificidad del 85%. El área bajo la curva (AUC), una medida gráfica que refleja cuánto es capaz el modelo de distinguir entre pólipos benignos y precancerosos, fue excelente.

Los hallazgos apuntan a un papel de los algoritmos derivados del aprendizaje automático en el aumento de la efectividad de la colonografía por TC como herramienta de detección del cáncer colorrectal.

Más información: Sergio Grosu et al. Machine Learning–based Differentiation of Benign and Premalignant Colorectal Polyps Detected with CT Colonography in an Asymptomatic Screening Population: A Proof-of-Concept Study, Radiology (2021). DOI: 10.1148/radiol.2021202363

PUBLICIDAD

Publicar un comentario

0 Comentarios