La Inteligencia Artificial ayuda a diagnosticar tumores de origen desconocido

La investigación del cáncer vive en gran momento, con numerosas líneas de investigación abiertas. Pero hay numerosos retos pendientes. Uno de los más destacados es de aquellos tumores que pasan desapercibidos hasta que producen metástasis en otros órganos.

Una herramienta informática basada en Inteligencia Artificial, que se está desarrollando en China, podría ayudar a dar respuesta a este enigma: los resultados preliminares superan a los de los patólogos en la identificación del origen de las células cancerosas metastáticas que circulan por el cuerpo en los pacientes oncológicos.

Si estos resultados preliminares que acaban de publicarse en la revista Nature Medicine se confirman, la herramienta podría ser útil a los oncólogos tanto para mejorar el diagnóstico y el tratamiento del cáncer metastásico como para prolongar la vida de los pacientes.

Faisal Mahmood, experto en aplicaciones de Inteligencia Artificial en salud de la facultad de Medicina de la Universidad de Harvard, ha destacado en declaraciones a Nature que es un hallazgo “bastante significativo que se puede utilizar como herramienta de asistencia”

Según datos de la Sociedad Española de Oncología Médica (SEOM), tres de cada 100 tumores son de origen desconocido. Este porcentaje aumenta hasta el 5% según diferentes investigadores. El pronóstico de los pacientes con este tipo de tumores suele ser malo.

Además de las biopsias, una de las maneras que se usan en la actualidad para el diagnóstico del cáncer metastásico es la Secuenciación de Nueva Generación (NGS en sus siglas en inglés), que analiza una gran cantidad de segmentos de ADN del paciente de forma masiva y en paralelo.

Otro método de análisis se basa en el análisis de las células tumorales en el cuerpo del paciente, en el líquido abdominal o pulmonar, y tratar de determinar su origen. Por ejemplo, las células de cáncer de mama que hacen metástasis en el pulmón, siguen pareciendo células cancerígenas de la mama cuando se analizan.

En el Hospital de la Universidad Médica de Tianjin, en China, unos 300.000 pacientes reciben tratamiento contra el cáncer cada año. Y, de ellos, unos 4.000 son diagnosticados mediante el análisis de las células tumorales. Aun así, en unas 300 personas es imposible determinar el origen de su cáncer metastásico, señala Tian Fei, cirujano especializado en cáncer colorrectal en este centro médico.

Por este motivo, Li Xiangchun, un investigador de Bioinformática que estudia el aprendizaje profundo en la Universidad Médica de Tianjin, se propuso desarrollar junto a su equipo un algoritmo de aprendizaje profundo. El objetivo era que la herramienta pudiera analizar las imágenes y predecir el origen de los cánceres.

Este algoritmo de Inteligencia Artificial fue entrenado con unas 30.000 imágenes de células de 21.000 pacientes con tumores de origen desconocido. Posteriormente probaron su modelo en 27.000 imágenes. El resultado fue que había un 83% de posibilidades de que la Inteligencia Artificial predijera con precisión el origen del tumor. Además, había un 99% de posibilidades de que el origen del tumor estuviera incluido en las tres primeras predicciones del modelo.

Esta reducción a tres posibles orígenes podría ser útil, según Mahmood, ya que disminuye el número de pruebas complementarias, que suelen ser intrusivas para el paciente. Las predicciones se limitaron a doce orígenes comunes de cáncer, como pulmones, ovarios, mama y estómago. Sin embargo, como advierte Li, otros tipos -como los que se originan en próstata o riñón- no pudieron identificarse porque, normalmente, sus células no se propagan a los depósitos de líquido en abdomen y pulmones.

Cuando se probó en unas 500 imágenes, la herramienta mejoró los resultados de los patólogos humanos a la hora de predecir el origen del tumor. Además, los investigadores evaluaron de manera retrospectiva a 391 pacientes cuatro años después de haber recibido tratamiento contra sus cánceres: aquellos que habían recibido tratamiento para el tipo de cáncer que el modelo había predicho tenían más posibilidades de supervivencia y habían vivido más que los pacientes en los que la predicción no coincidía.