Deep learning-based computed tomography (CT) derived body composition classifier for colorectal cancer patients
Este estudio demuestra que los modelos de aprendizaje profundo optimizados, particularmente GoogLeNet y AlexNet, pueden automatizar de manera precisa y rápida el análisis de la composición corporal derivada de TC para pacientes con cáncer colorrectal, ofreciendo una solución viable para reducir el tiempo y la experiencia requeridos para la segmentación manual en los flujos de trabajo clínicos.
Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
En la lucha contra el cáncer, los médicos han dependido durante mucho tiempo de un número sencillo para evaluar la salud general de un paciente: el Índice de Masa Corporal, o IMC. Este cálculo, que divide el peso de una persona por su altura, ofrece una instantánea rápida de si alguien tiene un peso bajo, un peso normal o sobrepeso. Sin embargo, para los pacientes con cáncer colorrectal, este número solo cuenta parte de la historia. Una persona puede tener un IMC elevado y parecer estar en buena forma mientras sufre secretamente una condición peligrosa llamada obesidad sarcopénica. En este estado, el cuerpo ha perdido cantidades significativas de tejido muscular vital, que es reemplazado por grasa. Esta pérdida de músculo oculta es un fuerte predictor de tasas de supervivencia deficientes y de una menor calidad de vida, pero las tablas de peso estándar no pueden verla. Para comprender verdaderamente la fuerza fisiológica de un paciente, los médicos necesitan mirar dentro del cuerpo para medir la cantidad real de músculo y grasa.
Durante décadas, la forma más precisa de ver este paisaje interno ha sido a través de la Tomografía Computarizada, o escaneos TC. Estas imágenes médicas proporcionan una sección transversal detallada del cuerpo, lo que permite a los especialistas medir el área del músculo esquelético y la densidad de ese tejido muscular. También pueden cuantificar la grasa almacenada justo debajo de la piel y la grasa que rodea los órganos internos. Estas mediciones son críticas porque revelan el verdadero estado nutricional del cuerpo, ayudando a los médicos a predecir qué tan bien podría sobrevivir un paciente a una cirugía o qué tan bien podría tolerar la quimioterapia. Sin embargo, a pesar de su potencial para salvar vidas, estos escaneos rara vez se utilizan para este propósito en la atención hospitalaria de rutina. La razón no es la falta de tecnología, sino la falta de tiempo. Medir manualmente estas áreas en una pantalla de computadora es un proceso increíblemente lento y tedioso que requiere de un experto altamente capacitado para trazar el contorno de cada depósito de músculo y grasa. Un solo escaneo puede tomarle a un especialista horas analizarlo, lo que hace imposible usar este método para cada paciente que cruza la puerta.
Un equipo de investigadores de la Universidad de Glasgow se propuso resolver este cuello de botella enseñando a las computadoras a realizar la medición. Su objetivo era construir un sistema que pudiera mirar un escaneo de TC y calcular automáticamente la cantidad exacta de músculo y grasa, tal como lo haría un experto humano, pero en una fracción del tiempo. Probaron varios tipos diferentes de inteligencia artificial, conocidos como modelos de aprendizaje profundo (deep learning), que están diseñados para reconocer patrones en imágenes. Los investigadores alimentaron estos programas informáticos con miles de escaneos de TC de pacientes con cáncer colorrectal, junto con las mediciones correctas que expertos humanos ya habían calculado. La computadora aprendió entonces a reconocer las firmas visuales del músculo y la grasa, volviéndose capaz de predecir estos valores por sí misma.
El estudio encontró que la computadora podía, de hecho, aprender esta tarea compleja con una precisión notable. Entre los diferentes modelos que probaron, una arquitectura, conocida como GoogLeNet, resultó ser la más hábil para estimar el área del músco esquelético. Cometió un error de menos del cinco por ciento en comparación con el estándar de oro humano. Otro modelo, llamado AlexNet, funcionó mejor al medir la densidad del tejido muscular, con una tasa de error de poco más del ocho por ciento. Estos números son significativos porque muestran que la computadora no solo está adivinando; está proporcionando resultados que son estadísticamente muy cercanos a lo que produciría un especialista humano. Los investigadores también descubrieron que la computadora tenía un poco más de dificultad para medir las áreas de grasa, particularmente la grasa bajo la piel, que es más difícil de distinguir del fondo en un escaneo. Sin embargo, incluso con estos desafíos menores, el sistema clasificó con éxito a los pacientes en categorías de riesgo aproximadamente el ochenta por ciento de las veces, identificando correctamente a aquellos con niveles peligrosos de pérdida de músculo.
Para asegurar que esta tecnología pudiera ser utilizada realmente en un hospital con mucho movimiento, el equipo no se detuvo solo en la construcción del modelo. Integraron los programas informáticos con mejor rendimiento en una aplicación web sencilla. Esta herramienta permite a un médico cargar una sola imagen de un escaneo de TC de un paciente, junto con detalles básicos como su altura y peso. En cuestión de segundos, el sistema calcula el área y la densidad del músculo, convierte estos datos en una puntuación estandarizada y le dice al médico si el paciente presenta un alto riesgo. Todo el proceso toma menos de un segundo por escaneo, una velocidad que hace que sea factible usarlo para cada paciente. Los investigadores enfatizaron que eligieron estos modelos específicos porque son lo suficientemente ligeros y eficientes como para ejecutarse en el equipo estándar de un hospital, evitando la necesidad de supercomputadoras costosas y especializadas que a menudo se requieren para los sistemas de inteligencia artificial más nuevos y complejos.
Si bien los resultados son prometedores, los investigadores advierten cuidadosamente que este es un estudio piloto, lo que significa que es un primer paso en lugar de una solución final. El sistema fue probado en un grupo relativamente pequeño de pacientes de un solo hospital en Glasgow. Esto limita qué tan bien podría funcionar la herramienta en personas de diferentes orígenes o con diferentes tipos de cuerpo, ya que la computadora aprendió de un conjunto específico de imágenes. El estudio también encontró que la herramienta era ligeramente menos precisa para ciertos grupos, como mujeres y hombres con pesos corporales más bajos, lo que sugiere que las versiones futuras necesitarán ser ajustadas para manejar estas variaciones de manera justa. A pesar de estas limitaciones, el trabajo demuestra que el sueño del análisis automatizado de la composición corporal está al alcance de la mano. Al convertir una tarea laboriosa de horas en una cuestión de segundos, esta tecnología tiene el potencial de llevar una herramienta de diagnóstico vital a la práctica clínica diaria, asegurando que la pérdida de músculo oculta de ningún paciente pase desapercibida.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.