Un nuevo modelo de inteligencia artificial diseñado por investigadores de la Escuela de Medicina de Harvard (EEUU) y la Universidad Nacional Cheng Kung en Taiwán podría brindar más claridad sobre el cáncer colorrectal, el segundo más mortal en todo el mundo.

Según sus desarrolladores, la nueva herramienta es capaz de predecir con precisión el nivel de agresividad del tumor colorrectal, la probabilidad que tiene el paciente de sobrevivir y cuál podría ser la terapia más óptima.

"Nuestro modelo realiza tareas que los patólogos humanos no pueden hacer basándose únicamente en la visualización de imágenes", según el coautor principal del estudio, Kun-Hsing Yu , profesor asistente de informática biomédica en el Instituto Blavatnik del HMS, y responsable de un equipo internacional de patólogos, oncólogos, informáticos biomédicos e informáticos. "Nuestro modelo no es un reemplazo de la experiencia en patología humana, sino un aumento de lo que pueden hacer los patólogos", agregó Yu. "Esperamos que este enfoque aumente la práctica clínica actual del tratamiento del cáncer".

Dicho modelo podría servir, según sus creadores, para guiar a los médicos a hacer un seguimiento más cercano, considerar tratamientos más agresivos o recomendar ensayos clínicos que prueben terapias experimentales si sus pacientes tienen peores pronósticos según la evaluación de la herramienta. Además, podría ser particularmente útil en áreas con recursos limitados tanto en este país como en todo el mundo donde la patología avanzada y la secuenciación genética de tumores pueden no estar fácilmente disponibles, anotaron los investigadores.

Amplio entrenamiento y pruebas

El modelo, denominado MOMA (por Multi-omics Multi-cohort Assessment), se entrenó con información obtenida de casi 2.000 pacientes con cáncer colorrectal de diversas cohortes nacionales de pacientes que, en conjunto, incluyen a más de 450 000 participantes: el Estudio de seguimiento de profesionales de la salud , el Estudio de salud de enfermeras , el Programa Atlas del Genoma del Cáncer y el NIH´s Ensayo de detección del cáncer de próstata, pulmón, colorrectal y ovario ( PLCO ).

Durante la fase de entrenamiento, los investigadores alimentaron al modelo con información sobre la edad, el sexo, el estadio del cáncer y los resultados de los pacientes. También le dieron información sobre los perfiles genómico, epigenético, proteico y metabólico de los tumores.

Seguidamente, mostraron imágenes de patología modelo de muestras de tumores y le pidieron que buscara marcadores visuales relacionados con tipos de tumores, mutaciones genéticas, alteraciones epigenéticas, progresión de la enfermedad y supervivencia del paciente.

Asimismo, probaron cómo podría funcionar el modelo en "el mundo real" nutriéndolo con un conjunto de imágenes que no había visto antes de muestras de tumores de diferentes pacientes. Compararon su desempeño con los resultados reales de los pacientes y otra información clínica disponible.

Además, la novedosa herramienta predijo con precisión la supervivencia general de los pacientes después del diagnóstico, así como cuántos de esos años estarían libres de cáncer, según expusieron.

Discernir patrones reveladores

El nuevo modelo aprovecha los avances recientes en técnicas de imagen de tumores que ofrecen niveles de detalle sin precedentes, que, sin embargo, siguen siendo imperceptibles para los evaluadores humanos. Con base en estos detalles, el modelo identificó con éxito indicadores sobre la agresividad del tumor y cómo se podría comportar en respuesta a un tratamiento en particular.

Tal como informaron, esta herramienta también identificó características asociadas con la presencia o ausencia de mutaciones genéticas específicas, "algo que generalmente requiere la secuenciación genómica del tumor. La secuenciación puede llevar mucho tiempo y ser costosa, especialmente para los hospitales donde tales servicios no están disponibles de forma rutinaria", según estos investigadores.

Precisamente en tales situaciones, el modelo podría proporcionar un apoyo de decisión oportuno para la elección del tratamiento en entornos con recursos limitados o en situaciones en las que no hay tejido tumoral disponible para la secuenciación genética, añadieron.

Medición de la progresión de la enfermedad

El modelo identificó con precisión las características de la imagen relacionadas con las diferencias en la supervivencia, incluso características de imagen que presagiaban peores resultados, tales como mayor densidad celular dentro de un tumor; presencia de tejido conectivo de apoyo alrededor de las células tumorales, conocido como estroma; e interacciones de las células tumorales con las células musculares lisas. El modelo también identificó patrones dentro del estroma tumoral que indicaban qué pacientes tenían más probabilidades de vivir más tiempo sin recurrencia del cáncer.

Los investigadores consideran que "antes de implementar el modelo para su uso en clínicas y hospitales, debe probarse en un ensayo aleatorio prospectivo que evalúe el rendimiento de la herramienta en pacientes reales a lo largo del tiempo después del diagnóstico inicial". "Tal estudio proporcionaría la demostración estándar fundamental de las capacidades del modelo, al comparar directamente el rendimiento de la herramienta en la vida real, usando solo imágenes con el de los médicos humanos que usan el conocimiento y los resultados de las pruebas a los que el modelo no tiene acceso", concluyó Yu.