Radiómica por TC ayuda a clasificar los nódulos pulmonares pequeños
Por el equipo editorial de HospiMedica en español Actualizado el 03 Feb 2021 |
Imagen: La radiómica por TC puede ayudar a clasificar la malignidad de los nódulos pulmonares (Fotografía cortesía de Getty Images)
Un algoritmo de aprendizaje automático (AA) puede ser muy exacto para clasificar los nódulos pulmonares muy pequeños que se encuentran en los programas de detección pulmonar por TC de dosis baja, según un estudio nuevo.
Investigadores del Centro de Investigación de Cáncer de la Columbia Británica (BCCRC; Vancouver, Canadá), entrenaron un algoritmo de AA de análisis discriminante lineal (LDA), utilizando datos del estudio Pancanadiense de Detección Temprana del Cáncer de Pulmón (PanCan) para caracterizar, analizar y clasificar nódulos pulmonares pequeños como malignos o benignos extrayendo aproximadamente 170 características radiómicas de textura y forma, siguiendo la segmentación de nódulos semiautomatizada en las imágenes. Luego compararon el desempeño del algoritmo con el de la calculadora de puntuación de riesgo de malignidad de próstata, pulmón, colorrectal y ovario (PLCO) m2012, en otro conjunto de datos.
La cohorte de estudio consistió en 139 nódulos malignos y 472 nódulos benignos que tenían aproximadamente el mismo tamaño. Los investigadores aplicaron restricciones de tamaño (basadas en los criterios de clasificación de Lung-RADS) para eliminar cualquier nódulo del conjunto de datos que ya se consideraría sospechoso, lo que incluiría cualquier nódulo con componentes sólidos de más de 8 mm de diámetro. Los resultados mostraron que el algoritmo de AA superó significativamente el modelo de predicción de riesgo (PLCO) m2012, especialmente cuando se agregaron datos demográficos al análisis radiómico. El estudio fue presentado en el Congreso Especial Virtual de la AACR sobre Inteligencia Artificial, Diagnóstico e Imagen, celebrado durante enero de 2021.
“Los mejores resultados se lograron en un subconjunto de pacientes menores de 64 años, mujeres, que no tenían enfisema, fumaban menos de 42 paquetes-año, no tenían antecedentes familiares de cáncer de pulmón y no eran fumadoras actuales”, dijo el autor principal y presentador del estudio, Rohan Abraham, PhD. “Combinado con el conocimiento y la experiencia de los médicos, esto tiene el potencial de permitir una intervención más temprana y reducir la necesidad de una TC de seguimiento”.
La clasificación actual de los nódulos pulmonares se basa en el tamaño del nódulo, un factor que es de uso limitado para los nódulos subcentimétricos, o en el tiempo de duplicación del volumen, una variable que requiere exámenes de TC de seguimiento. Como resultado, los nódulos pulmonares muy pequeños, con componentes sólidos de menos de 8 mm de diámetro (y, por lo tanto, por debajo del umbral de estratificación de riesgo Lung-RADS 4A), son muy difíciles de clasificar y, a menudo, se les da un plan de manejo de “esperar y ver”.
Enlace relacionado:
Centro de Investigación de Cáncer de la Columbia Británica
Investigadores del Centro de Investigación de Cáncer de la Columbia Británica (BCCRC; Vancouver, Canadá), entrenaron un algoritmo de AA de análisis discriminante lineal (LDA), utilizando datos del estudio Pancanadiense de Detección Temprana del Cáncer de Pulmón (PanCan) para caracterizar, analizar y clasificar nódulos pulmonares pequeños como malignos o benignos extrayendo aproximadamente 170 características radiómicas de textura y forma, siguiendo la segmentación de nódulos semiautomatizada en las imágenes. Luego compararon el desempeño del algoritmo con el de la calculadora de puntuación de riesgo de malignidad de próstata, pulmón, colorrectal y ovario (PLCO) m2012, en otro conjunto de datos.
La cohorte de estudio consistió en 139 nódulos malignos y 472 nódulos benignos que tenían aproximadamente el mismo tamaño. Los investigadores aplicaron restricciones de tamaño (basadas en los criterios de clasificación de Lung-RADS) para eliminar cualquier nódulo del conjunto de datos que ya se consideraría sospechoso, lo que incluiría cualquier nódulo con componentes sólidos de más de 8 mm de diámetro. Los resultados mostraron que el algoritmo de AA superó significativamente el modelo de predicción de riesgo (PLCO) m2012, especialmente cuando se agregaron datos demográficos al análisis radiómico. El estudio fue presentado en el Congreso Especial Virtual de la AACR sobre Inteligencia Artificial, Diagnóstico e Imagen, celebrado durante enero de 2021.
“Los mejores resultados se lograron en un subconjunto de pacientes menores de 64 años, mujeres, que no tenían enfisema, fumaban menos de 42 paquetes-año, no tenían antecedentes familiares de cáncer de pulmón y no eran fumadoras actuales”, dijo el autor principal y presentador del estudio, Rohan Abraham, PhD. “Combinado con el conocimiento y la experiencia de los médicos, esto tiene el potencial de permitir una intervención más temprana y reducir la necesidad de una TC de seguimiento”.
La clasificación actual de los nódulos pulmonares se basa en el tamaño del nódulo, un factor que es de uso limitado para los nódulos subcentimétricos, o en el tiempo de duplicación del volumen, una variable que requiere exámenes de TC de seguimiento. Como resultado, los nódulos pulmonares muy pequeños, con componentes sólidos de menos de 8 mm de diámetro (y, por lo tanto, por debajo del umbral de estratificación de riesgo Lung-RADS 4A), son muy difíciles de clasificar y, a menudo, se les da un plan de manejo de “esperar y ver”.
Enlace relacionado:
Centro de Investigación de Cáncer de la Columbia Británica
Últimas TI noticias
- Modelo de aprendizaje automático mejora predicción del riesgo de mortalidad para pacientes de cirugía cardíaca
- Colaboración estratégica para desarrollar e integrar IA generativa en el cuidado de la salud
- Solución de quirófanos habilitada para IA ayuda a hospitales a maximizar la utilización y desbloquear la capacidad
- IA predice cáncer de páncreas tres años antes del diagnóstico a partir de registros médicos de los pacientes
- Primer sistema de autorizaciones médicas personalizadas de IA generativa totalmente autónoma reduce el retraso en la atención
- Según un estudio, registros médicos electrónicos pueden ser clave para mejorar la atención al paciente
- IA entrenada para biomarcadores vocales específicos podría predecir con precisión enfermedad de arterias coronarias
- Inteligencia artificial detecta las fracturas en los rayos X con exactitud
- Lectura capacitada por IA aumenta la exactitud de la mamografía
- Herramienta estadística predice los picos de COVID-19 en todo el mundo
- Sistema inteligente para detectar la fiebre y los contactos ayuda a que los negocios puedan reabrir
- Tecnología nueva permite la identificación a través de una máscara
- Servicio de ciberseguridad protege los dispositivos médicos de ataques
- Inteligencia artificial puede detectar los niveles de glucosa a través del ECG
- Implante neural suave de control inalámbrico estimula las células del cerebro
- Stent pequeño de polímero podría tratar las estenosis uretrales pediátricas