Transfer Learning and Machine Learning for Training Five Year Survival Prognostic Models in Early Breast Cancer

Cada año, millones de mujeres en todo el mundo reciben un diagnóstico de cáncer de mama en etapa temprana. En esta etapa, la enfermedad no se ha extendido más allá de la mama o de los ganglios linfáticos cercanos, lo que abre la puerta a una amplia gama de opciones de tratamiento. Los médicos deben decidir si una paciente necesita únicamente cirugía, o si también requiere radioterapia, quimioterapia o terapia hormonal. Para tomar estas decisiones difíciles, los clínicos dependen de herramientas pronósticas: modelos matemáticos que estiman la probabilidad de que una paciente sobreviva cinco años tras el diagnóstico. Estas estimaciones ayudan a médicos y pacientes a sopesar los beneficios de un tratamiento agresivo frente a los riesgos de los efectos secundarios. Durante décadas, las herramientas más accesibles se han basado en información clínica estándar: el tamaño del tumor, la edad de la paciente y cómo se ven las células cancerosas bajo el microscopio. Aunque existen pruebas genéticas más nuevas y costosas, las herramientas más simples y antiguas siguen siendo vitales porque están ampliamente disponibles y son asequibles. Sin embargo, estas herramientas tradicionales están basadas en datos de grupos específicos de personas y a veces pueden tener dificultades al aplicarse a poblaciones diferentes o cuando falta información.

En un estudio reciente, los investigadores se propusieron ver si la informática moderna podía dar una nueva vida a estas herramientas clásicas. Se centraron en un desafío específico: cómo tomar un modelo de supervivencia probado y adaptarlo a un nuevo grupo de pacientes sin necesidad de reconstruir todo el sistema desde cero. También exploraron si nuevos tipos de algoritmos informáticos, conocidos como aprendizaje automático (machine learning), podrían aprender directamente de los registros de los pacientes para realizar mejores predicciones. El equipo comparó tres enfoques diferentes: usar simplemente el modelo antiguo tal como estaba, ajustar el modelo antiguo para que se adapte a los nuevos datos y entrenar programas informáticos completamente nuevos desde cero. Su objetivo era ver qué método ofrecía las estimaciones de supervivencia más precisas y fiables para mujeres con cáncer de mama temprano, particularmente cuando faltaba cierta información médica en sus registros.

Los investigadores comenzaron su trabajo con un gran ensayo clínico llamado MA.27, que realizó un seguimiento de miles de mujeres posmenopáusicas con cáncer de mama con receptores hormonales positivos. Querían predecir quién sobreviviría cinco años sin que el cáncer regresara. Primero, probaron una herramienta muy conocida llamada PREDICT, que había sido entrenada con datos del Reino Unido. Cuando aplicaron esta herramienta a las mujeres estadounidenses y canadienses del ensayo MA.27, funcionó, pero no fue perfecta. La herramienta no pudo ofrecer una predicción para casi una cuarta parte de las pacientes porque requería detalles específicos, como el número exacto de ganglios linfáticos positivos o el tamaño preciso del tumor, que faltaban o se registraron de forma distinta en los datos del ensayo. Incluso para las pacientes que sí pudo predecir, la herramienta tendía a ser ligeramente inexacta en sus estimaciones, subestimando a menudo cuántas mujeres sobrevivirían.

Para solucionar esto, el equipo probó una técnica llamada aprendizaje por transferencia (transfer learning). Imagine a un músico que ha dominado la ejecución del violín y luego aprende a tocar la viola; no empieza de cero, sino que adapta sus habilidades existentes al nuevo instrumento. Del mismo modo, los investigadores tomaron el modelo PREDICT preentrenado y "ajustaron" (fine-tuned) sus parámetros internos para que coincidieran con los patrones específicos encontrados en los datos de MA.27. Este proceso, que ajustó los parámetros del modelo para adaptarse al nuevo grupo, mejoró drásticamente la precisión de las predicciones. Sin embargo, al igual que la herramienta original, el modelo ajustado seguía sin poder proporcionar estimaciones de supervivencia para aproximadamente el 24% de las pacientes debido a que seguía dependiendo de puntos de datos específicos que faltaban en sus registros. En contraste, los nuevos modelos de aprendizaje automático podían predecir la supervivencia de todos los individuos, independientemente de la información faltante.

El equipo también entrenó modelos informáticos totalmente nuevos desde cero utilizando los datos de MA.27. Estos modelos, construidos mediante métodos que sobresalen en la detección de patrones en datos complejos, no dependían de las reglas originales basadas en el Reino Unido. En su lugar, aprendieron directamente de las pacientes estadounidenses y canadienses. Uno de estos nuevos modelos funcionó tan bien como la versión ajustada, mientras que otro mostró fortalezas ligeramente distintas. Crucialmente, estos nuevos modelos podían manejar la información faltante de forma natural. A diferencia de la herramienta original, que dejaría de funcionar si faltaba un solo dato, los nuevos programas informáticos aún podían realizar una predicción utilizando la información disponible. Esta es una ventaja significativa en la medicina real, donde los registros de los pacientes suelen estar incompletos.

Finalmente, los investigadores combinaron las fortalezas de todos estos enfoques en un único modelo de "ensamble" (ensemble). Este sistema tomó las predicciones de la herramienta ajustada y de los nuevos modelos informáticos y las mezcló para crear una estimación final y unificada. Este enfoque combinado resultó ser robusto, ofreciendo la fiabilidad del modelo ajustado con la flexibilidad de los nuevos algoritmos. Cuando el equipo probó estos modelos mejorados en un grupo separado de pacientes de un ensayo clínico diferente, los resultados fueron mixtos. Las mejoras se mantuvieron constantes para un gran conjunto de datos de los Estados Unidos, confirmando que los modelos podían generalizarse a poblaciones similares. Sin embargo, al probarse en un ensayo multinacional que involucraba a pacientes de Europa y Asia, las mejoras fueron menos claras, y el modelo preentrenado original funcionó mejor que las versiones adaptadas en ese grupo específico, lo que sugiere que los modelos aún deben adaptarse cuidadosamente para grupos de pacientes muy diferentes.

El estudio concluye que, si bien las herramientas tradicionales son valiosas, pueden mejorarse significamente mediante técnicas modernas. Al ajustar los modelos existentes o entrenar nuevos basados en datos locales, los médicos pueden obtener estimaciones de supervivencia más precisas, incluso cuando los registros de los pacientes son imperfectos. La investigación destaca que la edad de la paciente, el número de ganglios linfáticos afectados, el grado del tumor y el tamaño del tumor son los factores más importantes para predecir la supervivencia, un hallazgo que se mantuvo constante en todos los modelos diferentes. En última instancia, este trabajo sugiere que no necesitamos abandonar nuestras herramientas establecidas para mejorar la atención al paciente. En cambio, al utilizar métodos informáticos inteligentes para adaptar estas herramientas a nuevas situaciones, podemos proporcionar una guía más personalizada y fiable para las mujeres que enfrentan el cáncer de mama, asegurando que las decisiones de tratamiento se basen en la mejor información posible.