Cómo puede ayudar una computadora a su médico a diagnosticar mejor el cáncer

Cómo puede ayudar una computadora a su médico a diagnosticar mejor el cáncer
Este contenido ha sido traducido automáticamente con IA.

Diagnosticar correctamente a una persona con cáncer —e identificar el tipo específico de cáncer— marca la diferencia a la hora de tratar con éxito a un paciente.

Hoy, su médico podría basarse en una docena de casos similares y en un voluminoso libro de directrices. Pero ¿y si, en lugar de eso, pudiera introducir los resultados de sus pruebas y su historial médico en un programa informático que ha procesado millones de datos similares?

Ese futuro parece cada vez más posible gracias a investigadores del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT. En colaboración con un equipo del Hospital General de Massachusetts (MGH), el estudiante de doctorado Yuan Luo y el profesor del MIT Peter Szolovits han desarrollado un modelo computacional que busca sugerir diagnósticos de cáncer automáticamente, aprendiendo de miles de datos procedentes de informes de patología anteriores. El trabajo se ha publicado este mes en el Journal of the American Medical Informatics Association.

Mejores diagnósticos de linfoma

Los investigadores se centraron en los tres subtipos más frecuentes de linfoma, un cáncer común con más de 50 subtipos distintos que a menudo son difíciles de distinguir. Según Ephraim Hochberg, director del Centro de Linfoma del MGH y uno de los coautores del artículo, entre el 5 y el 15 por ciento de los casos de linfoma se diagnostican o clasifican inicialmente de forma errónea, lo cual puede ser un problema importante, ya que los distintos linfomas requieren planes de tratamiento muy diferentes.

Por ejemplo, Hochberg atendió recientemente a una paciente a quien habían dicho por error que su linfoma era incurable. Si él no la hubiera diagnosticado correctamente y sometido a un plan intensivo, quizá habría sido demasiado tarde para contrarrestar el cáncer.

La clasificación del linfoma ha sido durante mucho tiempo motivo de debate entre patólogos y médicos. Hasta 2001 existían al menos cinco conjuntos distintos de directrices, año en que la Organización Mundial de la Salud (OMS) publicó una clasificación consensuada. En 2008, la OMS revisó sus directrices mediante un proceso laborioso en el que participaron un comité directivo de ocho miembros y más de 130 patólogos y hematólogos de todo el mundo. Además, solo se revisaron alrededor de 1.400 casos de Europa y América del Norte para abarcar 50 subtipos; esto significa que, en promedio, los criterios diagnósticos de cada subtipo se basaban en lo ocurrido a un número limitado de personas.

Mientras tanto, grandes instituciones médicas como el MGH suelen archivar décadas de informes de patología. Esto llevó a los investigadores del MIT a preguntarse si podían aprovechar esos recursos para desarrollar herramientas automatizadas que mejoraran la comprensión de los médicos sobre cómo diagnosticar los linfomas.

«Es importante garantizar que las directrices de clasificación estén actualizadas y se hayan elaborado con precisión a partir de un gran número de casos de pacientes», afirma Luo, primer autor del artículo. «Nuestro trabajo examina casos médicos detallados para ayudar a los médicos a captar de forma más completa las sutiles diferencias entre los linfomas».

Modelos útiles para los médicos

Luo subraya que estos modelos de aprendizaje automático no solo deben ser precisos, sino también interpretables para los médicos. Los criterios de las directrices de la OMS se presentan mediante un panel de resultados de pruebas, que a su vez consisten en relaciones entre conceptos médicos como las células tumorales y los antígenos de superficie. Para captar esas relaciones, los investigadores convirtieron las oraciones de los informes de patología en una representación de grafo, cuyos nodos son conceptos médicos y cuyas aristas representan dependencias sintácticas y semánticas. Tal como se describe en su artículo anterior, recopilaron después subgrafos frecuentes que corresponden a relaciones que especifican resultados de pruebas.

«El razonamiento diagnóstico de los médicos se basa en varios resultados de pruebas simultáneamente», explica Luo. «Por eso es necesario que agrupemos automáticamente los subgrafos de una manera que corresponda al panel de resultados de las pruebas. Esto hace que el modelo sea interpretable para los médicos, en lugar de ser una caja negra, como suelen quejarse que ocurre con muchos otros modelos de aprendizaje automático».

La principal contribución de este trabajo es el uso de una técnica denominada factorización tensorial no negativa aumentada con subgrafos (SANTF). En SANTF, los datos de unos 800 casos médicos se organizan en una tabla tridimensional cuyas dimensiones corresponden al conjunto de pacientes, al conjunto de subgrafos frecuentes y a las palabras que aparecen en cada elemento de datos mencionado en los informes y en torno a él. Este método agrupa simultáneamente cada una de estas dimensiones y utiliza las relaciones de cada dimensión para restringir las de las demás. Al examinar los grupos resultantes, los investigadores pueden vincular los paneles de resultados de las pruebas con los subtipos de linfoma.

«La promesa del trabajo de Luo, si se aplica a conjuntos de datos muy grandes, es que los criterios que ayudarían a identificar estos grupos puedan informar a los médicos sobre cómo comprender la variedad de linfomas y sus relaciones clínicas entre sí», afirma Peter Szolovits.

«La mayor parte del procesamiento del lenguaje natural en los informes clínicos se ha centrado en identificar frases o atributos importantes, y no en la tarea más difícil de reconocer relaciones y conceptos», explica la profesora Wendy Chapman, directora del departamento de informática biomédica de la Universidad de Utah. «Los expertos médicos con años de experiencia son capaces de comprender no solo las palabras, sino también sus implicaciones más profundas. Esta investigación nos acerca un paso más al desarrollo de modelos informáticos sólidos que puedan alcanzar ese nivel de comprensión».

Además, el modelo SANTF no requiere datos de entrenamiento etiquetados, lo que permite automatizar el proceso de descubrimiento de conocimiento. Szolovits confía en que el modelo del equipo pueda ayudar a los médicos a diagnosticar los linfomas con mayor precisión y basándose en pruebas más completas, e incluso podría incorporarse a futuras directrices de la OMS.

«Nuestro objetivo último es poder aplicar estas técnicas a cantidades extremadamente grandes de datos sobre linfomas, del orden de millones de casos», afirma Szolovits. «Si podemos hacerlo e identificar las características específicas de los distintos subtipos, contribuiríamos mucho a facilitar el trabajo de los médicos y, quizá, a prolongar la vida de los pacientes».

Este artículo se publica en colaboración con MIT News. La publicación no implica que el Foro Económico Mundial respalde las opiniones expresadas.

Para mantenerse al día con la Agenda, suscríbase a nuestro boletín semanal.

Autor: Adam Conner-Simons es redactor colaborador de MIT News.

Imagen: Un radiólogo examina las radiografías cerebrales de un paciente que se sometió a un chequeo médico preventivo contra el cáncer en el Centro Oncológico de North Bengal. REUTERS/Rupak De Chowdhuri.

Comparta esto:

Licencia y republicación
Los artículos del Foro Económico Mundial pueden volver a publicarse de acuerdo con la Licencia Pública Internacional Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0, y de acuerdo con nuestras condiciones de uso. Las opiniones expresadas en este artículo son las del autor y no del Foro Económico Mundial.