EXPERIENCIAS REALES EN MACHINE LEARNING: Detección de tumores cerebrales en el quirófano

El Machine Learning (ML) tiene un potencial increíble para ciertas aplicaciones en el campo médico. Los avances recientes en su uso en neuro-oncología, su papel en el diagnóstico de tumores, pronóstico y manejo de la atención de pacientes con cáncer está actualmente siendo objeto de numerosos estudios de investigación.

En este sentido, Juan Aibar, alumno del Máster en Machine Learning, ha desarrollado un modelo predictivo clínico computacional y robusto capaz de detectar tumores cerebrales a partir de datos del ácido 5-aminolevulínico (5-ALA) y de la ecografía cerebral intraoperatoria.

¡Te contamos todos los detalles en este post!

¿Se puede identificar un tumor en el mismo quirófano?

En neurooncología la distinción visual del tejido cerebral normal y el tejido tumoral es, en muchas ocasiones, difícil o imposible, sobre todo, en aquellos tumores originados de las propias células cerebrales (gliomas). La adquisición de herramientas de imagen avanzadas y su utilización dentro de quirófano, ha permitido aumentar la seguridad y efectividad de las cirugías de tumores cerebrales, sin embargo, la interpretación de los resultados derivados de estas técnicas sigue siendo subjetiva y operador dependiente. Por este motivo, usando como referencia el estudio histológico del tejido tumoral, en su trabajo de final de máster, Juan Aibar ha podido diseñar un algoritmo de ML que logra predecir -ya en el quirófano- la probabilidad de que una determinada región del cerebro está infiltrada por un tumor. 

Caso ilustrativo (Tipo fluorescencia difusa). Oligodendroglioma Grado II de la OMS del lóbulo frontal derecho.

Fuente de la imagen: Goryaynov et al. 2019

Un modelo de Machine Learning que acierta el 80% de los casos

Para generar este algoritmo se utilizó un modelo de regresión logística donde a partir de dos variables categóricas explicativas que se generan en el quirófano se intenta predecir la presencia o ausencia de tumor cerebral en una determinada región cerebral de interés. Este algoritmo presenta una tasa de acierto del 79.7%, con una sensibilidad del 75.6% y una especificidad del 86.2%. 

Se generaron otros algoritmos utilizando más variables y otra metodología de machine learning tipo Bagging, que no arrojó mejores métricas. Por este motivo, dada la sencillez y aplicabilidad en la práctica clínica de este modelo se seleccionó como la mejor opción. 

¡Tú también puedes innovar en investigación!

¡QUIERO COMENZAR EL MÁSTER DE MACHINE LEARNING HOY MISMO!

Toma decisiones inteligentes basadas en la experiencia de los datos

Elimina la subjetividad y mejora la oportunidad de diagnóstico temprano

Este algoritmo tiene una aplicación clínica muy evidente, y es la ayuda que ofrece al neurocirujano oncológico cuando la naturaleza del tejido no está clara (sano o enfermo) y cuando la identificación es crucial para proseguir la cirugía con seguridad.

El perfeccionamiento de este algoritmo con datos prospectivos permitirá aumentar su tasa de acierto y potencialmente guiar la resección de este tipo de tumores cerebrales, mejorando así la asistencia y el cuidado de nuestros pacientes.

El algoritmo generado por ML se ha mostrado prometedor en el reconocimiento preciso de las características utilizadas para definir los gliomas. Estos resultados podrían ser de gran utilidad para ayudar en la investigación diagnóstica del cáncer cerebral.

Conclusión

El uso del aprendizaje automático para aumentar el diagnóstico clínico es una perspectiva emocionante, específicamente en el campo de la neurooncología. De manera no invasiva, estas herramientas pueden predecir la presencia de varios factores que pueden ser útiles en el diagnóstico y pronóstico de los gliomas. Como indica Goryaynov et al. (2019), el desafío radica en crear algoritmos que sean aplicables a una escala mucho mayor, con una mayor cantidad de conjuntos de aprendizaje y práctica para evaluar las técnicas de aprendizaje de ML, sin dejar de ser logísticamente viable para ejecutarse dentro de los plazos estrictos dentro de los cuales operan los sistemas de atención de la salud.

Juan Aibar trabaja en el hospital de la Santa Creu i Sant Pau en Barcelona, en el campo de la neuromodulación y la neurooncología, es neurocirujano y neurocientífico.

Si te gustó conocer esta aplicación del Machine Learning aplicada al mundo de la investigación médica, comenta y comparte la publicación. ¡Nos encantaría conocer tu opinión!

Puedes descargar el TFM de Juan Aibar debajo.