Investigadores del Vall d’Hebron Instituto de Oncología (VHIO), junto con radiólogos del Hospital Universitario de Bellvitge, han desarrollado una herramienta basada en el aprendizaje de patrones mediante modelos de inteligencia artificial (IA) a partir de la información que proporciona la resonancia magnética estándar.

Los resultados de este estudio, publicado en la revista Cell Reports Medicine, indican que el software con acceso abierto Diagnosis In Susceptibility Contrast Enhancing Regions for Neuroncology (DISCERN) supera a los métodos convencionales para ayudar al diagnóstico de cáncer cerebral.

La nueva herramienta se basa en el aprendizaje profundo, un método de inteligencia artificial que aprovecha toda la información espacial y temporal de la resonancia magnética estándar

El 70 % de estos tumores malignos son de uno de estos tres tipos: glioblastoma multiforme, metástasis cerebrales de tumores sólidos y linfoma primario del sistema nervioso. Cada uno de ellos requiere un enfoque terapéutico distinto, por lo que es imprescindibleh identificarlos de forma correcta e inequívoca.

“El diagnóstico diferencial no invasivo en estos tumores se basa actualmente en la evaluación de imagen de resonancia magnética antes y después de administrar contraste. Sin embargo, un diagnóstico definitivo muchas veces requiere de intervenciones neuroquirúrgicas que comprometen la calidad de vida de los pacientes” explica Raquel Pérez-López, investigadora del VHIO y autora sénior del estudio.

“En este proyecto se integra el conocimiento de varios trabajos previos con métodos de inteligencia artificial, lo que deriva en un software que automatiza la clasificación diagnóstica prequirúrgica con muy buena precisión, a la vez que facilita su aplicabilidad clínica con una interfaz amigable para los clínicos”, afirma Albert Pons-Escoda, coautor y experto de la Unidad de Neuroradiología de Bellvitge.

Equipo de investigación. / VHIO

Descifrar el comportamiento de cada tumor

La nueva herramienta, que podrá utilizarse en cualquier centro y seguirá perfeccionando el sistema, se basa en el aprendizaje profundo, un método de inteligencia artificial que aprovecha toda la información espacial y temporal de la resonancia magnética estándar para identificar patrones de comportamiento específicos en la imagen de cada tumor.

“El aprendizaje profundo consiste en enseñar a la máquina cuáles son las características de cada uno de los tumores que encontramos en las resonancias magnéticas de pacientes ya diagnosticados”, indica Alonso García-Ruiz, investigador del VHIO y primer autor de este estudio.

En este caso, las unidades de aprendizaje son los vóxeles, la unidad mínima de volumen que podemos estudiar en las imágenes de resonancia magnética. Se trata del equivalente al píxel, pero en 3D.

Validamos la herramienta en más de 500 casos adicionales y comprobamos que el 78 % de los diagnósticos que daba la herramienta eran correctos, una proporción superior a la obtenida con los métodos convencionales utilizados hasta hoy

Raquel Pérez-López (VHIO)

“DISCERN ha aprendido las características de estos tres tipos diferentes de tumor cerebral a partir de 50000 vóxeles de 40 pacientes diagnosticados”, apunta Pérez-López. “Validamos la herramienta en más de 500 casos adicionales y comprobamos que el 78 % de los diagnósticos que daba la herramienta eran correctos, una proporción superior a la obtenida con los métodos convencionales utilizados hasta hoy”.

“Se trata de una herramienta de apoyo al diagnóstico que ofrece una información de gran utilidad para guiar las decisiones médicas de los grupos multidisciplinares en cuanto a la necesidad y el tipo de cirugía requerido para confirmar el diagnóstico”, comenta por su parte Carles Majós, coautor y neurorradiólogo clínico de Bellvitge.

Para el equipo, los resultados publicados abren la puerta a continuar con el desarrollo de esta herramienta y validarla con más pacientes para poder llevarla a la práctica clínica.

Referencia:

Alonso Garcia-Ruiz et al.: “An accessible deep learning tool for voxel-wise classification of brain malignancies from perfusion MRI”. Cell Reports Medicine 2024.