Subscribe Us

SALUD. La inteligencia artificial clasifica los tumores cerebrales con una simple resonancia magnética

 


Un equipo de investigadores de la Facultad de Medicina de la Universidad de Washington ha desarrollado un modelo de aprendizaje profundo que es capaz de clasificar un tumor cerebral como uno de los seis tipos comunes utilizando un solo escaneo de resonancia magnética 3D, según un estudio publicado en  Radiology: Artificial Intelligence .

"Este es el primer estudio que aborda los tumores intracraneales más comunes y para determinar directamente la clase de tumor o la ausencia de tumor a partir de un volumen de resonancia magnética 3D", dijo Satrajit Chakrabarty, MS, estudiante de doctorado bajo la dirección de Aristeidis Sotiras, Ph. D., y Daniel Marcus, Ph.D., en el Laboratorio de Imágenes Computacionales del Instituto de Radiología de Mallinckrodt en la Facultad de Medicina de la Universidad de Washington en St. Louis, Missouri.

Los seis tipos de tumores intracraneales más comunes son el glioma de alto grado, el glioma de bajo grado, las metástasis cerebrales, el meningioma, el adenoma hipofisario y el neuroma acústico. Cada uno fue documentado a través de histopatología, que requiere extirpar quirúrgicamente tejido del sitio de un presunto cáncer y examinarlo bajo un microscopio.

Según Chakrabarty, los enfoques de aprendizaje profundo y automático que utilizan datos de resonancia magnética podrían automatizar potencialmente la detección y clasificación de los tumores cerebrales.

"La resonancia magnética no invasiva se puede utilizar como complemento o, en algunos casos, como una alternativa al examen histopatológico".

La figura muestra mapas de atención aproximados generados con GradCAM para glioma de alto grado (HGG), glioma de bajo grado (LGG), metástasis cerebrales (METS), meningioma (MEN), neuroma acústico (AN) y adenoma hipofisario (PA) clasificados correctamente. . Para cada par, se han mostrado el escaneo ponderado en T1 posterior al contraste y el mapa de atención GradCAM (superpuesto en el escaneo). En los mapas de GradCAM, los colores más cálidos y fríos representan una contribución alta y baja de píxeles hacia una predicción correcta, respectivamente. Fuente: Sociedad Radiológica de Norteamérica

Para construir su modelo de aprendizaje automático, llamado red neuronal convolucional, Chakrabarty y los investigadores del Instituto de Radiología Mallinckrodt desarrollaron un gran conjunto de datos multiinstitucional de exploraciones intracraneales de resonancia magnética 3D de cuatro fuentes disponibles públicamente. Además de los propios datos internos de la institución, el equipo obtuvo exploraciones de resonancia magnética ponderadas en T1 preoperatorias y posteriores al contraste de la segmentación de imágenes de tumores cerebrales, el glioblastoma multiforme del Atlas del genoma del cáncer y el glioma de bajo grado del Atlas del genoma del cáncer.

Los investigadores dividieron un total de 2.105 exploraciones en tres subconjuntos de datos: 1.396 para entrenamiento, 361 para pruebas internas y 348 para pruebas externas. El primer conjunto de exploraciones de resonancia magnética se utilizó para entrenar la red neuronal convolucional para discriminar entre exploraciones sanas y exploraciones con tumores, y para clasificar los tumores por tipo. Los investigadores evaluaron el rendimiento del modelo utilizando datos de las resonancias magnéticas internas y externas.

Con los datos de las pruebas internas, el modelo logró una precisión del 93,35% (337 de 361) en siete clases de imágenes (una clase sana y seis clases de tumores). Las sensibilidades oscilaron entre el 91% y el 100%, y el valor predictivo positivo, o la probabilidad de que los pacientes con una prueba de detección positiva realmente tengan la enfermedad, varió entre el 85% y el 100%. Los valores predictivos negativos, o la probabilidad de que los pacientes con una prueba de detección negativa realmente no tengan la enfermedad, oscilaron entre el 98% y el 100% en todas las clases. La atención de la red se superpuso con las áreas tumorales para todos los tipos de tumores.

(A) Muestras de escaneos ponderados en T1 poscontraste (sección axial, orientación RAS) para glioma de alto grado (HGG), glioma de bajo grado (LGG), metástasis cerebrales (METS), neuroma acústico (AN), adenoma hipofisario (PA) , meningioma (MEN), clases saludables (HLTH) incluidas en el estudio (flechas blancas), (B) distribución de datos por clases y (C) flujo de imágenes y división de datos para validación cruzada, pruebas internas y externas . BraTS = Segmentación de imágenes de tumores cerebrales, TCGA = Atlas del genoma del cáncer, WUSM = Facultad de medicina de la Universidad de Washington. Fuente: Sociedad Radiológica de Norteamérica

Para el conjunto de datos de la prueba externa, que incluyó solo dos tipos de tumores (glioma de alto grado y glioma de bajo grado), el modelo tuvo una precisión del 91,95%.

Estos resultados sugieren que el aprendizaje profundo es un enfoque prometedor para la clasificación y evaluación automatizadas de tumores cerebrales. El modelo logró una alta precisión en un conjunto de datos heterogéneo y mostró excelentes capacidades de generalización en datos de prueba invisibles.

El modelo de aprendizaje profundo 3D se acerca más al objetivo de un flujo de trabajo automatizado de extremo a extremo al mejorar los enfoques 2D existentes, que requieren que los radiólogos delineen o caractericen manualmente el área del tumor en una resonancia magnética antes del procesamiento de la máquina. La red neuronal convolucional elimina el paso tedioso y laborioso de la segmentación del tumor antes de la clasificación.

Puede extenderse a otros tipos de tumores cerebrales o trastornos neurológicos, proporcionando potencialmente una vía para aumentar gran parte del flujo de trabajo de neurorradiología.

Esta red es el primer paso hacia el desarrollo de un flujo de trabajo de radiología aumentada con inteligencia artificial que puede respaldar la interpretación de imágenes al proporcionar información cuantitativa y estadísticas.

Fuente: “MRI-based Identification and Classification of Major Intracranial Tumor Types Using a 3D Convolutional Neural Network: A Retrospective Multi-Institutional Analysis” 11 August 2021, Radiology: Artificial Intelligence.

Publicar un comentario

0 Comentarios