Los médicos altamente capacitados varían en sus determinaciones de cuánto tejido atacar con radiación.
Además, hay que tener en cuenta, que a medida que aumenten las tasas de cáncer, se espera que se profundice la escasez de médicos y clínicas de oncología radioterápica en todo el mundo a medida que aumenten las tasas de cáncer.
El algoritmo de aprendizaje profundo recientemente desarrollado y validado puede identificar y delinear (segmentar), en segundos, un tumor de cáncer de pulmón de células no pequeñas (CPCNP) en una tomografía computarizada (TC).
Los oncólogos radioterápicos que usaron el algoritmo en las clínicas simuladas se desempeñaron igual que los médicos que no lo utilizaron, pero trabajaron un 65 % más rápido.
Investigadores del Hospital Brigham and Women’s (Boston, MA, EUA) desarrollaron el algoritmo de aprendizaje profundo usando imágenes de TC de 787 pacientes, entrenando su modelo para distinguir tumores de otros tejidos.
Probaron el rendimiento del algoritmo utilizando escaneos de más de 1.300 pacientes.
El desarrollo y la validación del algoritmo implicó una estrecha colaboración entre los científicos de datos y los oncólogos radioterápicos. Por ejemplo, cuando los investigadores observaron que el algoritmo estaba segmentando incorrectamente las tomografías computarizadas que involucraban los ganglios linfáticos, volvieron a entrenar el modelo con más exploraciones para mejorar su rendimiento.
Finalmente, los investigadores pidieron a ocho oncólogos de radiación que realizaran tareas de segmentación, y que calificaran y editaran las segmentaciones producidas por otro médico experto o por el algoritmo (no se les dijo cuál).
No hubo diferencias significativas en el rendimiento entre las colaboraciones humano-IA y las segmentaciones producidas por humanos (de novo).
Los médicos trabajaron un 65 % más rápido y con un 32 % menos de variación al editar una segmentación producida por IA en comparación con una producida manualmente, aún no sabiendo cuál estaban editando.
También calificaron la calidad de las segmentaciones dibujadas por IA más alto que las segmentaciones dibujadas por expertos humanos en este estudio ciego.
En el futuro, los investigadores planean combinar este trabajo con modelos de IA diseñados previamente para identificar «órganos en riesgo» de recibir radiación no deseada durante el tratamiento del cáncer (como el corazón) y, excluirlos de la radioterapia.
Se continúa con el estudio de la interacción de los médicos con la IA que permita garantizar la ayuda de las asociaciones con ella, y no dañar, la práctica clínica. Además están desarrollando un segundo algoritmo de segmentación independiente que puede verificar tanto las segmentaciones humanas como las dibujadas por IA.
«La mayor brecha de traducción en las aplicaciones de IA a la medicina es la falta de estudio sobre cómo usarla para mejorar a los médicos, y viceversa», dijo el autor correspondiente Raymond Mak, MD, del Departamento de Oncología Radioterápica de Brigham.
“Estamos estudiando cómo hacer asociaciones y colaboraciones entre humanos e IA que tengan como efecto mejores resultados para los pacientes.
Los beneficios de este enfoque para los pacientes incluyen una mayor consistencia en la segmentación de los tumores y tiempos acelerados de tratamiento.
Los beneficios para los médicos incluyen una reducción del trabajo informático mundano pero difícil, pudiendo reducir el agotamiento y aumentar el tiempo que pueden pasar con los pacientes”.
“Este estudio presenta una estrategia de evaluación novedosa para modelos de IA que enfatiza la importancia de la colaboración humano-IA”, agregó el coautor Hugo Aerts, PhD, del Departamento de Oncología Radioterápica.
“Esto es especialmente necesario porque las evaluaciones in silico (realizadas por computadora) pueden dar resultados diferentes a las evaluaciones clínicas.
Nuestro enfoque puede ayudar a allanar el camino hacia el despliegue clínico».
