Mejorar el cáncer gracias a la IA ya es una realidad: «Empezamos por el de mama y tiroides, pero sirve para todos»

La lucha contra el cáncer se convierte año tras año en una carrera en la que muchos investigadores quieren ganar para ofrecer a los pacientes los mejores tratamientos y prolongarles la vida. Gracias a esta innovación y avance científico, se ha conseguido, entre otras cosas, que las pruebas diagnósticas en los tumores de mama y tiroides sean más eficaces, gracias a la Inteligencia Artificial.

Este martes, en el Día Mundial de la Investigación Contra el Cáncer, esta labor se vuelve imprescindible, ya que este año se alcanzarán los 2.286.664 casos de neoplasias malignas en España.

Por ello, Pablo Valderrábano Herrero, médico adjunto al Servicio de Endocrinología y Nutrición del Hospital Universitario Ramón y Cajal, investigador principal y responsable del grupo de Investigación Herramientas diagnósticas y medicina de precisión en patología tiroidea del Instituto Ramón y Cajal de Investigación Sanitaria (IRYCIS), ha explicado a El Debate en qué consiste este nuevo método de detección mediante IA y si será posible aplicarlo a todo tipo de tumores en un futuro.

–¿Cuando hablan en la web de biopsias innecesarias de diagnóstico, a qué se refieren?

–Hace referencia a que aproximadamente la mitad de las biopsias de tiroides y mama que hacemos hoy día se hacen sobre nódulos benignos. Estas biopsias sobre nódulos benignos se podrían reducir de forma significativa si la decisión no fuese tan dependiente de la interpretación subjetiva y, por tanto, evaluador-dependiente de una prueba con mala reproducibilidad (la imagen ecográfica).

–Los profesionales sanitarios necesitan mejorar la precisión de las herramientas de diagnóstico actualmente disponibles ¿Cómo se haría esto posible?

–Para mejorar la precisión diagnóstica de las herramientas actualmente disponibles es necesario que tanto los resultados de estas como su interpretación sean reproducibles. En nuestro caso hemos abordado la problemática de la imagen ecográfica que, si bien juega un papel fundamental en la evaluación de muchas patologías, sufre de escasa reproducibilidad y cuya interpretación es muy dependiente de la experiencia del evaluador.

Nuestro grupo ha desarrollado una metodología propietaria que permite eliminar las variaciones atribuibles al equipo y a los ajustes de los parámetros de adquisición de imagen utilizados. El resultado es una imagen estandarizada o normalizada a la que se puede llegar desde cualquier ecógrafo y con cualquier combinación de ajustes. Gracias a ello, podemos hacer un análisis digital de la imagen eficiente que permite extraer características numéricas objetivas y reproducibles.

–La IA está a la orden del día, ¿cómo la aplicáis en este método?

–La IA la estamos utilizando en distintos puntos de nuestro proyecto, entre otros usos, estamos desarrollando algoritmos de segmentación automática, que permiten localizar de forma precisa y automática los nódulos de una imagen para el análisis de características objetivas (lo que se denomina radiómica) y para el entrenamiento de modelos de predicción que permiten discriminar los nódulos benignos de los que no lo son.

En la interpretación de la ecogenicidad influye mucho el equipo y los ajustes con los que se ha adquirido la imagenDoctor Pablo Valderrábano

Lo que hemos comprobado es que, gracias a nuestro método de preprocesado, la IA es capaz de aprender más rápido y mejor que con imágenes sin preprocesar. Esto quiere decir que somos capaces de reducir el tiempo de entrenamiento y obtener mejores rendimientos diagnósticos con un número menor de imágenes. Esto es debido a la eliminación de la variabilidad técnica a la que está sujeta la imagen de ecografía, lo que permite a la IA centrarse en las diferencias realmente atribuibles a la enfermedad.

–¿Por qué comenzasteis a investigarlo?

–Mi línea de investigación se centra en el desarrollo de medicina de precisión, en la personalización del diagnóstico y el tratamiento para pacientes con nódulos tiroideos y cáncer de tiroides.

Nos dimos cuenta de que una sola característica ecográfica subjetiva con muy mala reproducibilidad intra e interobservador –la ecogenicidad (el tono de gris)– era suficiente como para cambiar la recomendación de biopsia en un centímetro según la clasificación más utilizada para evaluar nódulos tiroideos.

En la interpretación de la ecogenicidad influye mucho el equipo y los ajustes con los que se ha adquirido la imagen, además de, por supuesto, la experiencia del evaluador. Pero también otros factores técnicos como la resolución de la pantalla con la que se revisa la imagen o la iluminación del cuarto pueden modificar la percepción de dicha tonalidad por el evaluador.

Dado que encontramos nódulos tiroideos en más del 60 % de la población, cambiar un centímetro el umbral de biopsia repercute en la realización de miles de biopsias cada año. Por eso, decidimos desarrollar una metodología que nos permitiese analizar las imágenes de forma objetiva y reproducible.

–Entonces, los resultados fueron buenos

–La solución que encontramos funciona muy bien. Reduce la variabilidad de la ecogenicidad entre imágenes adquiridas con distintos ajustes y con distintos ecógrafos entre un 200 % y un 300 %. Tras esto, en seguida nos dimos cuenta de que esta solución no solo permitía analizar objetivamente la ecogenicidad, sino que además debía favorecer el aprendizaje con inteligencia artificial.

Con nuestro preprocesado, la IA puede centrarse en diferencias atribuibles a las características biológicas del tumor y no se «despista» con el ruido de fondo que introduce la variabilidad técnica de las imágenes. Eso nos llevó a realizar estos estudios de validación clínica en nódulos tiroideos y nódulos mamarios, financiados por la Asociación Española Contra el Cáncer y por el Instituto de Salud Carlos III.

–Actualmente, lo hacéis en dos tipos de cánceres, ¿podría en un futuro realizarse en todas las neoplasias?

–Claro que sí, nuestra metodología de preprocesado no es órgano-dependiente. Por tanto, es aplicable a cualquier imagen ecográfica y puede utilizarse para mejorar y acelerar el desarrollo de algoritmos diagnósticos para otras lesiones. Hemos empezado por tiroides y mama por el volumen de nódulos en dichos órganos en la población general y porque la ecografía juega un papel central en su evaluación inicial y en la decisión sobre si una lesión se debe biopsiar o no.

–¿Cuál es el objetivo de esto?

–El objetivo global del grupo es mejorar el rendimiento diagnóstico de la ecografía. En este proyecto, nos hemos centrado en desarrollar soluciones diagnósticas que permitan minimizar el número de biopsias realizadas sobre nódulos benignos (evitables) tiroideos y mamarios. Esto tendría un claro impacto a nivel social y también a nivel de eficiencia del Sistema Nacional de Salud.

–¿Podía estar disponible en todos los hospitales españoles?

–Sería maravilloso, desde luego. Estamos trabajando para lograr una solución lo suficientemente precisa, rápida y sencilla de utilizar como para que pueda estar a disposición de todos en beneficio de los pacientes.