La IA personaliza la terapia de los tumores cerebrales

Avances en el tratamiento personalizado de tumores cerebrales: la IA identifica mutaciones

22.05.2024
Computer-generated image

Imagen simbólica

Los métodos de aprendizaje automático pueden diagnosticar con rapidez y precisión mutaciones en gliomas (tumores cerebrales primarios). Así lo demuestra un estudio reciente de la Universidad de Ciencias de la Salud Karl Landsteiner (KL Krems). En este estudio, se analizaron datos de imágenes de resonancia magnética fisio-metabólica para identificar mutaciones en un gen metabólico mediante ML. Las mutaciones de este gen influyen significativamente en el curso de la enfermedad, y su diagnóstico precoz es importante para el tratamiento. El estudio también pone de manifiesto que en la actualidad siguen existiendo normas incoherentes para la obtención de imágenes de resonancia magnética fisio-metabólica, lo que impide el uso clínico rutinario del método.

Los gliomas son los tumores cerebrales primarios más frecuentes. A pesar de que su pronóstico sigue siendo malo, las terapias personalizadas ya pueden mejorar significativamente el éxito del tratamiento. Sin embargo, el uso de estas terapias avanzadas se basa en datos tumorales individuales, de los que no se dispone fácilmente en el caso de los gliomas debido a su localización en el cerebro. Las técnicas de imagen como la resonancia magnética (RM) pueden proporcionar esos datos, pero sus análisis son complejos, exigentes y requieren mucho tiempo. Por ello, el Instituto Central de Diagnóstico Radiológico Médico del Hospital Universitario de St. Pölten, centro docente y de investigación del KL Krems, lleva años desarrollando métodos de aprendizaje automático y profundo para automatizar dichos análisis e integrarlos en las operaciones clínicas rutinarias. Ahora se ha logrado un nuevo avance.

Mutación positiva

"Los pacientes cuyas células de glioma portan una forma mutada del gen de la isocitrato deshidrogenasa (IDH) tienen en realidad mejores perspectivas clínicas que aquellos con la forma de tipo salvaje", explica el profesor Andreas Stadlbauer, físico médico del Instituto Central. "Esto significa que cuanto antes conozcamos el estado de esta mutación, mejor podremos individualizar el tratamiento". A ello contribuyen las diferencias en el metabolismo energético de los tumores mutados y los de tipo salvaje. Gracias a trabajos anteriores del equipo del profesor Stadlbauer, estas diferencias pueden medirse fácilmente mediante resonancia magnética fisiometabólica, incluso sin muestras de tejido. Sin embargo, el análisis y la evaluación de los datos es un proceso muy complejo que requiere mucho tiempo y es difícil de integrar en la rutina clínica, sobre todo porque los resultados se necesitan con rapidez debido al mal pronóstico de los pacientes.

En el estudio actual, el equipo utilizó métodos de ML para analizar e interpretar estos datos con el fin de obtener un resultado más rápidamente y poder iniciar las medidas de tratamiento adecuadas. Pero, ¿hasta qué punto son precisos los resultados obtenidos? Para evaluarlo, el estudio utilizó en primer lugar los datos de 182 pacientes del Hospital Universitario de St. Pölten, cuyos datos de resonancia magnética se recogieron siguiendo protocolos estandarizados.

Resultados positivos

"Cuando vimos los resultados de la evaluación mediante nuestros algoritmos ML", explica el profesor Stadlbauer, "nos quedamos muy satisfechos. Conseguimos una precisión del 91,7% y una exactitud del 87,5% para distinguir entre los tumores con el gen de tipo salvaje y los que presentaban la forma mutada. A continuación, comparamos estos valores con análisis de ML de datos clínicos clásicos de RM y pudimos demostrar que el uso de datos fisio-metabólicos de RM como base daba resultados significativamente mejores".

Sin embargo, esta superioridad sólo se mantuvo mientras los datos recogidos en St. Pölten se analizaron siguiendo un protocolo estandarizado. Este no fue el caso cuando el método ML se aplicó a datos externos, es decir, datos de IRM procedentes de bases de datos de otros hospitales. En esta situación, el método ML que había sido entrenado con datos clínicos clásicos de IRM demostró tener más éxito. "El hecho de que el análisis ML de los datos de RM fisio-metabólicos obtuviera peores resultados en este caso se debe a que la tecnología es todavía joven y se encuentra en fase de desarrollo experimental. Los métodos de recogida de datos aún varían de un hospital a otro, lo que provoca distorsiones en el análisis ML", afirma Stadlbauer.

Para el científico, sin embargo, el problema es "sólo" de estandarización, que surgirá inevitablemente con el creciente uso de la IRM fisio-metabólica en distintos hospitales. El método en sí -la evaluación de los datos de RM fisiometabólica mediante métodos ML, que ahorra tiempo- ha demostrado ser excelente. Por lo tanto, es un método excelente para determinar el estado de mutación IDH de los pacientes con glioma antes de la operación y para individualizar las opciones de tratamiento.

Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.

Publicación original

Más noticias del departamento ciencias

Noticias más leídas

Más noticias de nuestros otros portales

Lucha contra el cáncer: últimos avances y progresos