Los ordenadores nunca podrán sustituir a los médicos, pero se ha descubierto que un sistema de aprendizaje profundo desarrollado en el Instituto Tecnológico Technion-Israel de Haifa descifra las pruebas de cáncer de mama mejor que un ser humano.
Una de cada ocho mujeres en Israel será diagnosticada de cáncer de mama en algún momento de su vida. La enfermedad se da en los hombres en un 1% de los casos. La prevalencia del cáncer de mama está aumentando, un efecto causado en parte por el estilo de vida moderno y el aumento de la esperanza de vida. Afortunadamente, los tratamientos son cada vez más eficaces y personalizados.
Pero lo que no está aumentando -y de hecho está disminuyendo- es el número de patólogos, los especialistas médicos que examinan los tejidos del cuerpo para proporcionar el diagnóstico específico necesario para la medicina personalizada.
Por ello, un equipo de investigadores del Technion se ha propuesto convertir los ordenadores en eficaces asistentes de los patólogos, simplificando y mejorando el trabajo del médico humano. Su nuevo estudio revisado por pares acaba de publicarse en Nature Communications con el título “Deep learning-based image analysis predicts PD-L1 status from H&E-stained histopathology images in breast cancer”.
La tarea específica que el Dr. Gil Shamai y Amir Livne, del laboratorio del profesor Ron Kimmel de la Facultad de Informática Taub del Technion, se propusieron llevar a cabo se sitúa en el ámbito de la inmunoterapia, que ha ido ganando protagonismo en los últimos años como tratamiento eficaz, a veces incluso revolucionario, para varios tipos de cáncer.
La base de esta forma de terapia es animar al propio sistema inmunitario del cuerpo a atacar el tumor. Sin embargo, esta terapia debe ser personalizada, ya que hay que administrar la medicación correcta a los pacientes que pueden beneficiarse de ella en función de las características específicas del tumor.
Existen múltiples mecanismos naturales que impiden que nuestro sistema inmunitario ataque a nuestro propio cuerpo. Estos mecanismos suelen ser aprovechados por los tumores malignos para evadir el sistema inmunitario.
Uno de estos mecanismos está relacionado con la proteína PD-L1, que presentan algunos tumores. Actúa como una especie de contraseña al convencer erróneamente al sistema inmunitario de que el cáncer no debe ser atacado.
La inmunoterapia específica para la PD-L1 puede persuadir al sistema inmunitario para que ignore esta contraseña particular, pero, por supuesto, sólo sería eficaz cuando el tumor exprese la PD-L1.
Cómo determinar si el tumor de un paciente expresa PD-L1
Es tarea del patólogo determinar si el tumor de un paciente expresa PD-L1. Para obtener la respuesta, se utilizan costosos marcadores químicos para teñir una biopsia tomada del tumor. El proceso es complicado, lleva mucho tiempo y a veces es incoherente.
Shamai y su equipo adoptaron un enfoque diferente. En los últimos años, se ha convertido en una práctica aprobada por la FDA que las biopsias se escaneen para poder utilizarlas en el análisis patológico digital.
Livne, Shamai y Kimmel querían saber si una red neuronal podía utilizar estos escaneos para hacer el diagnóstico sin requerir procesos adicionales.
“Nos dijeron que no se podía hacer”, dijo el equipo. “Así que, por supuesto, teníamos que demostrar que estaban equivocados”.
Las redes neuronales se entrenan de forma similar a cómo aprenden los niños: Se les presentan múltiples ejemplos etiquetados. A un niño se le muestran muchos perros y otras cosas diversas, y a partir de estos ejemplos se forma una idea de lo que es “perro”.
A la red neuronal desarrollada por el equipo de Kimmel se le presentaron imágenes de biopsias digitales de 3.376 pacientes que fueron etiquetadas como expresantes o no expresantes de PD-L1. Tras la validación preliminar, se pidió a la red que determinara si las imágenes de biopsia de ensayos clínicos adicionales de 275 pacientes eran positivas o negativas para PD-L1.
Su rendimiento fue mejor de lo esperado. Para el 70% de los pacientes, fue capaz de determinar con confianza y correctamente la respuesta. Para el 30% restante, el programa no pudo encontrar los patrones visuales que le permitieran decidir en uno u otro sentido. Curiosamente, en los casos en los que la inteligencia artificial no estaba de acuerdo con la determinación del patólogo humano, una segunda prueba demostró que la IA tenía razón.
“Se trata de un logro trascendental”, señaló Kimmel. “Las variaciones que encontró el ordenador no son distinguibles para el ojo humano. Las células se disponen de forma diferente si presentan PD-L1 o no, pero las diferencias son tan pequeñas que ni siquiera un patólogo entrenado puede identificarlas con seguridad. Ahora nuestra red neuronal sí puede”.
Shamai dijo: “Es una oportunidad increíble para unir la inteligencia artificial y la medicina. Me encantan las matemáticas y el desarrollo de algoritmos. Poder utilizar mis habilidades para ayudar a la gente, para hacer avanzar la medicina… es más de lo que esperaba cuando empecé como estudiante de informática”. Ahora dirige un equipo de 15 investigadores que están llevando este proyecto al siguiente nivel.
Kimmel concluyó: “Esperamos que la IA se convierta en una poderosa herramienta en manos de los médicos. La IA puede ayudar a realizar o verificar un diagnóstico, puede ayudar a adecuar el tratamiento a cada paciente, puede ofrecer un pronóstico. No creo que pueda o deba sustituir al médico humano. Pero puede hacer que algunos elementos del trabajo de los médicos sean más sencillos, rápidos y precisos”.