La Inteligencia Artificial indica cómo está funcionando la quimioterapia

Investigadores de la Universidad Johns Hopkins (Baltimore, Estados Unidos) han creado y perfeccionado una herramienta basada en aprendizaje automático para calcular el porcentaje de necrosis (PN), una magnitud que indica qué cantidad de tumor está inactiva, en pacientes con osteosarcoma, un tipo de cáncer de los huesos. El modelo que han obtenido tiene una precisión del 85% cuando se compara con los resultados de un análisis de patología. En determinadas condiciones, la precisión se eleva al 99%.

Después de la quimioterapia, calcular el PN ayuda a conseguir un pronóstico. Por ejemplo, ante un PN del 99% se interpreta que el 99% del tumor está inactivo, la quimioterapia ha funcionado y las perspectivas de supervivencia son mejores.

Los patólogos calculan el PN a partir de imágenes tomadas en pequeñas láminas de muestras de tejidos (en este caso, tejido óseo). Christa LiBrizzi, autora principal de la investigación, explica que «calcular el PN es un proceso laborioso que requiere la anotación de grandes cantidades de datos por parte de un patólogo especializado en el área de enfermedades musculoesqueléticas».

Además, es una técnica en la que hay poca fiabilidad cuando se comparan unos analistas y otros, ya que sus conclusiones suelen ser diferentes. «Debido a estos factores, pensamos que merecía la pena buscar otro método para calcular el PN», añade.

El objetivo de su equipo era desarrollar un modelo de aprendizaje automático que necesitara poca supervisión. Al desarrollar este modelo, el patólogo que calcule el PN solamente necesitaría proveer al sistema de una cantidad limitada de datos, lo cual aliviaría su carga de trabajo de forma sustancial.

El experimento

Los investigadores empezaron por recoger información de los archivos de patología del centro médico adscrito a la universidad y especializado en cáncer. Todos los datos correspondían a pacientes con osteosarcoma intramedular, un tipo de cáncer que tiene su origen en la parte interior de los huesos. Los pacientes habían recibido quimioterapia y habían sido operados entre 2011 y 2021.

Los investigadores hicieron que un equipo de patólogos analizara la información y los tejidos para determinar si había tumor activo, tumor «muerto» o ausencia de tejido tumoral. También calcularon el PN para cada paciente. Usando esta información «entrenaron» el modelo que habían creado.

«Decidimos que la herramienta trabajara reconociendo patrones en las pruebas de imagen», ha explicado Zhenzhen Wang, que también forma parte del equipo de la universidad. Después de completar el «entrenamiento» se proporcionó a los patólogos y al esquema creado por el equipo información de dos pacientes con osteosarcoma para comprobar su funcionamiento.

«Si se validara y se produjera este modelo con estudios más amplios, podríamos acelerar la evaluación de cómo la quimioterapia está funcionando en un paciente y, por tanto, tener un pronóstico antes, lo cual reduciría los costes y la carga de trabajo de los patólogos», ha añadido LiBrizzi.