En el ámbito de la oncología, evaluar la eficacia de la quimioterapia en pacientes con cáncer de huesos es un determinante fundamental del pronóstico. Un equipo de investigación de Johns Hopkins Medicine ha sido pionero recientemente en un avance innovador en este campo. Han desarrollado y entrenado con éxito un modelo de aprendizaje automático para calcular el porcentaje de necrosis (PN), una métrica crucial que indica el alcance de la necrosis. tumor muerte en pacientes con osteosarcoma. Este modelo innovador demuestra una impresionante precisión del 85 % en comparación con los resultados obtenidos por un patólogo musculoesquelético. Al eliminar un único valor atípico, la precisión se eleva a un sorprendente 99%.
Tradicionalmente, el proceso de cálculo de la NP ha sido laborioso y dependiente de datos extensos de anotaciones de patólogos musculoesqueléticos. Además, adolece de una baja confiabilidad interobservador, por lo que dos patólogos que analizan las mismas imágenes de diapositiva completa (WSI) pueden llegar a conclusiones diferentes. Al reconocer estos desafíos, los investigadores destacaron la necesidad de un enfoque alternativo.
La búsqueda del equipo los llevó a desarrollar un débilmente supervisado Modelo de aprendizaje automático que requiere datos de anotación mínimos para el entrenamiento. Esta metodología innovadora implica que un patólogo musculoesquelético que utilice el modelo para el cálculo de NP solo tendría que proporcionar WSI parcialmente anotados, lo que reduciría sustancialmente la carga de trabajo del patólogo.
Para construir este modelo, el equipo seleccionó un conjunto de datos completo, incluidos WSI, de los archivos de patología del distinguido centro oncológico terciario de Johns Hopkins en EE. UU. Estos datos comprenden exclusivamente casos de osteosarcoma intramedular, originado en el núcleo del hueso, en pacientes que se sometieron tanto a quimioterapia como a cirugía en el centro entre 2011 y 2021.
Un patólogo musculoesquelético anotó meticulosamente tres tipos de tejido distintos en cada WSI recolectado: tumor activo, tumor necrótico y tejido no tumoral. Además, el patólogo estimó la NP de cada paciente. Armado con esta valiosa información, el equipo se embarcó en la fase de formación.
Los investigadores explicaron el proceso de formación. Decidieron entrenar el modelo enseñándole a reconocer patrones de imágenes. Los WSI se segregaron en miles de pequeños parches y luego se dividieron en grupos según cómo los etiquetó el patólogo. Finalmente, estos parches agrupados se incorporaron al modelo de entrenamiento. Se eligió este enfoque para proporcionar al modelo un marco de referencia más sólido, evitando la posible supervisión que podría ocurrir al alimentarlo únicamente con un WSI grande.
Después del entrenamiento, a la modelo y al patólogo musculoesquelético se les presentaron seis WSI para evaluar a dos pacientes con osteosarcoma. Los resultados fueron notables, con una correlación positiva del 85 % entre los cálculos de NP del modelo y el etiquetado del tejido en comparación con los hallazgos del patólogo. La única advertencia surgió de las dificultades ocasionales para identificar adecuadamente el tejido del cartílago, lo que llevó a un valor atípico debido a la abundancia de cartílago en un WSI. Tras su eliminación, la correlación se disparó a un impresionante 99%.
De cara al futuro, el equipo prevé incorporar tejido cartilaginoso en el entrenamiento del modelo y ampliar el alcance de los WSI para abarcar varios tipos de osteosarcoma más allá del intramedular. Este estudio representa un paso significativo hacia revolucionar la evaluación de los resultados del tratamiento del osteosarcoma.
Revisar la Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides unirte. nuestro SubReddit de 32k+ ML, 41k+ comunidad de Facebook, Canal de discordia, y Boletín electrónicodonde compartimos las últimas noticias sobre investigaciones de IA, interesantes proyectos de IA y más.
Si te gusta nuestro trabajo, te encantará nuestra newsletter.
también estamos en Telegrama y WhatsApp.
Niharika es pasante de consultoría técnica en Marktechpost. Es estudiante de tercer año y actualmente cursa su licenciatura en tecnología en el Instituto Indio de Tecnología (IIT), Kharagpur. Es una persona muy entusiasta con un gran interés en el aprendizaje automático, la ciencia de datos y la inteligencia artificial y una ávida lectora de los últimos avances en estos campos.