Una nueva herramienta de IA para el tratamiento del cáncer

• Científicos de la Facultad de Medicina de Harvard diseñaron un modelo de IA versátil, similar a ChatGPT, capaz de realizar diversas tareas diagnósticas en múltiples tipos de cáncer
• Este nuevo sistema de IA va un paso más allá que muchos de los enfoques actuales de IA para el diagnóstico del cáncer
• Los sistemas de IA actuales normalmente se entrenan para realizar tareas específicas, como detectar la presencia de cáncer o predecir el perfil genético de un tumor, y tienden a funcionar solo en unos pocos tipos de cáncer
• En cambio, el nuevo modelo puede realizar una amplia gama de tareas, fue probado en 19 tipos de cáncer y tiene una flexibilidad similar a la de los grandes modelos de lenguaje como ChatGPT
• Recientemente han surgido otros modelos fundacionales de IA para diagnóstico médico basados en imágenes patológicas, pero este se considera el primero que predice resultados de pacientes y ha sido validado en varios grupos internacionales de pacientes
• Modelo de IA que funciona leyendo láminas de tejido tumoral
  • Detecta células cancerosas y predice el perfil molecular del tumor con mejor precisión que la mayoría de los sistemas actuales de IA, basándose en las características celulares visibles en las imágenes
  • Predice la supervivencia de los pacientes en múltiples tipos de cáncer e identifica con precisión características del tejido alrededor del tumor (microambiente tumoral) relacionadas con la respuesta del paciente a tratamientos estándar como cirugía, quimioterapia, radioterapia e inmunoterapia
  • Parece ser capaz de generar nuevos conocimientos, como identificar características específicas del tumor que no se sabía que estaban relacionadas con la supervivencia del paciente
• El equipo de investigación afirma que está aumentando la evidencia de que estos resultados pueden mejorar la capacidad de los clínicos para evaluar el cáncer de forma eficiente y precisa, incluida la identificación de pacientes que podrían no responder bien al tratamiento estándar contra el cáncer
• Kun-Hsing Yu dijo: “Si se valida más y se implementa ampliamente, nuestro enfoque y otros similares podrían identificar tempranamente a pacientes con cáncer que podrían beneficiarse de terapias experimentales dirigidas a variantes moleculares específicas”

Entrenamiento y rendimiento

• El estudio más reciente del equipo se basa en investigaciones previas de Yu sobre sistemas de IA para evaluar cáncer colorrectal y tumores cerebrales. Esos trabajos demostraron la viabilidad de este enfoque dentro de tipos de cáncer y tareas específicas
• El nuevo modelo, llamado CHIEF (Clinical Histopathology Imaging Evaluation Foundation), fue entrenado dividiendo 15 millones de imágenes sin etiquetar en secciones de interés
• La herramienta también recibió entrenamiento adicional con 60,000 imágenes completas de láminas de tejidos, incluyendo pulmón, mama, próstata, colon, estómago, esófago, riñón, cerebro, hígado, tiroides, páncreas, cuello uterino, útero, ovario, testículo, piel, tejido blando, glándula suprarrenal y vejiga
• Al entrenar al modelo para observar tanto secciones específicas de la imagen como la imagen completa, pudo relacionar cambios concretos en un área con el contexto general. Los investigadores dicen que este enfoque permitió que CHIEF interpretara las imágenes de manera más integral, considerando un contexto más amplio en lugar de centrarse solo en áreas específicas
• Después del entrenamiento, el equipo probó el rendimiento de CHIEF en más de 19,400 imágenes completas de láminas dentro de 32 conjuntos de datos independientes recopilados de 24 hospitales y cohortes de pacientes de todo el mundo
• En general, CHIEF superó a otros métodos de IA de última generación hasta en un 36% en tareas como detección de células cancerosas, identificación del origen del tumor, predicción de resultados del paciente e identificación de genes y patrones de ADN relacionados con la respuesta al tratamiento
• Gracias a su entrenamiento diverso, CHIEF tuvo un desempeño igualmente bueno sin importar si las células tumorales se obtuvieron por biopsia o mediante resección quirúrgica
• También mantuvo la misma precisión independientemente de la tecnología utilizada para digitalizar las muestras de células cancerosas
• Los investigadores afirman que esta capacidad de adaptación permite usar CHIEF en distintos entornos clínicos y representa un paso importante más allá de los modelos actuales, que tienden a funcionar bien solo al leer tejidos obtenidos mediante tecnologías específicas

Detección del cáncer

• CHIEF alcanzó una precisión cercana al 94% en detección de cáncer y superó ampliamente los enfoques actuales de IA en 15 conjuntos de datos que incluían 11 tipos de cáncer
• En 5 conjuntos de datos de biopsias recopilados de cohortes independientes, CHIEF logró una precisión del 96% en varios tipos de cáncer, incluidos esófago, estómago, colon y próstata
• Cuando los investigadores probaron CHIEF en láminas de tumores extirpados quirúrgicamente de colon, pulmón, mama, endometrio y cuello uterino que el modelo no había visto antes, este mostró una precisión superior al 90%

Predicción del perfil molecular del tumor

• La composición genética de un tumor ofrece pistas importantes para determinar su comportamiento futuro y el tratamiento óptimo
• Para obtener esta información, los oncólogos solicitan secuenciación de ADN de muestras tumorales, pero este perfilado genómico detallado del tejido canceroso no se realiza de forma rutinaria ni uniforme en todo el mundo debido al costo y al tiempo requeridos
• CHIEF superó los métodos actuales de IA al predecir variantes genómicas del tumor observando láminas microscópicas
• Este nuevo enfoque de IA identificó con éxito características relacionadas con varios genes importantes vinculados al crecimiento y la supresión del cáncer, y predijo variantes genéticas clave relacionadas con qué tan bien podría responder un tumor a distintos tratamientos estándar
• CHIEF también detectó patrones específicos de ADN relacionados con qué tan bien podrían responder tumores colorrectales a una forma de inmunoterapia llamada bloqueo de puntos de control inmunitario
• Al observar imágenes completas de tejido, CHIEF identificó mutaciones en 54 genes de cáncer que suelen mutar con una precisión general superior al 70%, superando los métodos de IA actualmente más avanzados para predicción genómica del cáncer. La precisión para genes específicos en tipos de cáncer concretos fue aún mayor
• El equipo también evaluó la capacidad de CHIEF para predecir mutaciones asociadas con la respuesta a terapias dirigidas aprobadas por la FDA en 18 genes distribuidos en 15 sitios anatómicos. CHIEF logró alta precisión en varios tipos de cáncer, como 96% para detectar mutaciones del gen EZH2, comunes en un cáncer hematológico llamado linfoma difuso de células B grandes; 89% para mutaciones del gen BRAF en cáncer de tiroides; y 91% para mutaciones del gen NTRK1 en cáncer de cabeza y cuello

Predicción de supervivencia del paciente

• CHIEF predijo con éxito la supervivencia del paciente basándose en imágenes histopatológicas del tejido tumoral obtenidas en el diagnóstico inicial
• En todos los tipos de cáncer y grupos de pacientes estudiados, CHIEF distinguió entre pacientes con supervivencia prolongada y pacientes con supervivencia corta
• CHIEF mostró un rendimiento 8% mejor que otros modelos y, en pacientes con cáncer avanzado, un rendimiento 10% mejor que otros modelos de IA
• La capacidad de CHIEF para predecir alto riesgo de muerte frente a bajo riesgo de muerte fue probada y confirmada con muestras de pacientes de 17 instituciones diferentes

Extracción de nuevos conocimientos sobre el comportamiento tumoral

• El modelo identificó patrones característicos en las imágenes relacionados con la agresividad del tumor y la supervivencia del paciente
• Para visualizar estas áreas de interés, CHIEF generó mapas de calor sobre las imágenes. Cuando patólogos humanos analizaron estos puntos calientes derivados por IA, observaron señales interesantes que reflejaban la interacción entre las células cancerosas y el tejido circundante
• Una de esas características fue la presencia de un mayor número de células inmunitarias en las áreas tumorales de supervivientes de largo plazo en comparación con los de corto plazo. Yu señaló que este hallazgo tiene sentido porque una mayor presencia de células inmunitarias podría indicar que el sistema inmunitario se ha activado para atacar el tumor
• Al observar tumores de pacientes con supervivencia corta, CHIEF identificó áreas de interés caracterizadas por proporciones anormales de tamaño entre distintos componentes celulares, más rasgos atípicos en los núcleos celulares, conexiones más débiles entre células y una menor presencia de tejido conectivo en la zona alrededor del tumor. Estos tumores también presentaban más células moribundas a su alrededor. Por ejemplo, en tumores de mama, CHIEF señaló como área de interés la presencia de necrosis en el tejido (muerte celular temprana). En cambio, los cánceres de mama con mayor supervivencia tenían más probabilidad de conservar estructuras celulares similares al tejido sano. El equipo explicó que las características visuales y áreas de interés relacionadas con la supervivencia variaban según el tipo de cáncer

Próximos pasos

Los investigadores dijeron que planean mejorar el rendimiento de CHIEF y ampliar sus capacidades de las siguientes maneras:

• Realizar entrenamiento adicional con imágenes de tejidos de enfermedades raras y condiciones no cancerosas
• Incluir muestras de tejido precanceroso, antes de que las células se vuelvan completamente cancerosas
• Exponer el modelo a más datos moleculares para mejorar su capacidad de identificar cánceres con distintos niveles de agresividad
• Entrenar al modelo para predecir beneficios y efectos secundarios de nuevos tratamientos contra el cáncer, además de los tratamientos estándar

Opinión de GN⁺

• Este estudio muestra el avance de la tecnología de IA para el diagnóstico del cáncer y la planificación del tratamiento. Tiene especial relevancia por haber desarrollado un modelo de uso general aplicable a múltiples tipos de cáncer
• Sin embargo, para aplicarlo en la práctica clínica real será necesario validarlo con más datos y preparar formas para que médicos e IA colaboren eficazmente. También siguen pendientes desafíos como la precisión diagnóstica y la responsabilidad sobre las decisiones
• Entre tecnologías similares están empresas como Paige.AI y Proscia, que diagnostican cáncer mediante análisis de imágenes patológicas. Ellas ofrecen soluciones especializadas para tipos de cáncer concretos, por lo que se diferencian de esta investigación en términos de generalidad
• Al introducir tecnología de diagnóstico de cáncer basada en IA, será necesario un amplio consenso social y ajustes institucionales en temas como el cambio en el rol del personal médico, la mejora del proceso diagnóstico y la adecuación de los pagos médicos. Al mismo tiempo, también deberán revisarse cuidadosamente riesgos técnicos y éticos como el sesgo de la IA y la protección de datos personales
• Si en el futuro se desarrollan tecnologías de IA capaces de analizar de manera integral incluso las características de biología molecular del tejido canceroso y predecir la respuesta a medicamentos, se espera que puedan contribuir significativamente a la medicina de precisión