La nueva herramienta se basa en el aprendizaje profundo, un método de inteligencia artificial, que aprovecha toda la información espacial y temporal de la resonancia magnética estándar para identificar patrones de comportamiento específicos en la imagen de cada tumor
Investigadores del Grupo de Radiómica del VHIO, que forma parte del Campus Vall d’Hebron, juntamente con investigadores de la Unidad de Neuroradiología del Hospital Universitari de Bellvitge (HUB), han desarrollado la herramienta DISCERN basada en el aprendizaje de patrones mediante modelos de inteligencia artificial a partir de la información que proporciona la resonancia magnética estándar. DISCERN supera a los métodos convencionales para ayudar al diagnóstico de tumores cerebrales. Los resultados de este estudio se han publicado en la revista científica Cell Reports Medicine.
Diagnóstico diferencial de tumores cerebrales
El 70% de los tumores cerebrales malignos son de uno de estos tres tipos: glioblastoma multiforme, metástasis cerebrales de tumores sólidos y linfoma primario del sistema nervioso. Cada uno de ellos requiere un enfoque terapéutico distinto por lo que es imprescindible diagnosticarlos de forma correcta e inequívoca.
“El diagnóstico diferencial no invasivo de los tumores cerebrales se basa actualmente en la evaluación de imagen de resonancia magnética antes y después de administrar contraste. Sin embargo, un diagnóstico definitivo muchas veces requiere de intervenciones neuroquirúrgicas que comprometen la calidad de vida de los pacientes” explica la Dra. Raquel Pérez-López, jefa del Grupo de Radiómica del VHIO e investigadora sénior del estudio.
“Este trabajo es el fruto de una línea de investigación de más de cinco años en la que hemos identificado innovadores biomarcadores de imagen de perfusión por resonancia magnética útiles en el diagnóstico diferencial de los tumores cerebrales. En este proyecto se integra el conocimiento de varios trabajos previos con métodos de inteligencia artificial, lo que deriva en un software que automatiza la clasificación diagnóstica prequirúrgica con muy buena precisión, a la vez que facilita su aplicabilidad clínica con una interfaz amigable para los clínicos” afirma el Dr. Albert Pons-Escoda, neuroradiólogo clínico e investigador de la Unidad de Neuroradiología del Hospital Universitari de Bellvitge y coautor del estudio.
“El aprendizaje profundo consiste en enseñar a la máquina cuáles son las características de cada uno de los tumores que encontramos en las resonancias magnéticas de pacientes ya diagnosticados” explica Alonso García-Ruiz, investigador predoctoral del Grupo de Radiómica del VHIO y primer autor de este estudio. “Por ejemplo si le enseñamos al ordenador miles de imágenes de perros y gatos, aprenderá las características que definen y distinguen a perros de gatos y al ver una imagen nueva podrá diferenciar si se trata de uno u otro”.
En este caso las unidades de aprendizaje son los vóxeles, la unidad mínima de volumen que podemos estudiar en las imágenes de resonancia magnética. Se trata del equivalente al píxel, pero en 3D.
“DISCERN ha aprendido las características de estos tres tipos diferentes de tumor cerebral a partir de 50.000 vóxeles de 40 pacientes diagnosticados” explica la Dra. Raquel Pérez-López. “Validamos la herramienta en más de 500 casos adicionales y comprobamos que el 78% de los diagnósticos que daba la herramienta eran correctos, una proporción superior a la obtenida con los métodos convencionales utilizados hasta hoy”.
“Se trata de una herramienta de apoyo al diagnóstico que ofrece una información de gran utilidad para guiar las decisiones médicas de los grupos multidisciplinares en cuanto a la necesidad y el tipo de cirugía requerido para confirmar el diagnóstico” afirma el Dr. Carles Majós, neurorradiólogo clínico e investigador de la Unidad de Neuroradiología del Hospital Universitari de Bellvitge y coautor del estudio.
El Grupo de Radiómica del VHIO, en estrecha colaboración con la unidad de neurorradiologia del HUB, ha desarrollado un software con acceso abierto Diagnosis In Susceptibility Contrast Enhancing Regions for Neuroncology (DISCERN) de forma que la herramienta pueda utilizarse en cualquier centro y seguir perfeccionando el sistema de diagnóstico.
Los resultados que publica la revista Cell Reports Medicine abren la puerta a continuar con el desarrollo de esta herramienta y validarla con más pacientes para poder llevarla a la práctica clínica.
En este estudio han colaborado la Unidad de Neurooncología del IDIBELL (Barcelona), los Servicios de Radiología del Hospital Universitari Bellvitge, del Hospital Clínic de Barcelona y el Departamento de Radiología de HT Medica (Andalucía), el Departamento de Medicina Radiológica y Ciencias Aplicadas y el Departamento de Bioingeniería en la Universidad de California (La Jolla, San Diego).
Este trabajo se ha llevado a cabo gracias al apoyo de la Fundación CRIS Contra el Cáncer, la Fundación FERO y la Fundación “la Caixa” que financian a través de diversas iniciativas la investigación del Grupo de Radiómica del VHIO.
Referencia bibliográfica: Alonso Garcia-Ruiz, Albert Pons-Escoda, Francesco Grussu, Pablo Naval-Baudin, Camilo Monreal-Aguero, Gretchen Hermann, Roshan Karunamuni, Marta Ligero, Antonio Lopez-Rueda, Laura Oleaga, Manuel Álvaro Berbís, Alberto Cabrera-Zubizarreta, Teodoro Martin-Noguerol, Antonio Luna, Tyler M. Seibert, Carlos Majos, Raquel Perez-Lopez*. An accessible deep learning tool for voxel-wise classification of brain malignancies from perfusion MRI. Cell Reports Medicine http://dx.doi.org/10.2139/ssrn.4559395
