Crean herramienta de inteligencia artificial que puede ayudar a detectar el melanoma

El melanoma es un tipo de tumor maligno responsable de más del 70 por ciento de todas las muertes relacionadas con el cáncer de piel en todo el mundo. Durante años, los médicos han confiado en la inspección visual para identificar lesiones pigmentadas sospechosas (SPL), que pueden ser una indicación de cáncer de piel. Esta identificación en etapa temprana de SPL en entornos de atención primaria puede mejorar el pronóstico del melanoma y reducir significativamente el costo del tratamiento.

El desafío es que es difícil encontrar y priorizar SPL rápidamente, debido al alto volumen de lesiones pigmentadas que a menudo necesitan ser evaluadas para posibles biopsias. Ahora, investigadores del MIT y otros lugares han ideado una nueva tubería de inteligencia artificial, utilizando redes neuronales convolucionales profundas (DCNN) y aplicándolas al análisis de SPL mediante el uso de fotografías de campo amplio, común en la mayoría de los teléfonos inteligentes y cámaras personales.

Las DCNN son redes neuronales que se pueden usar para clasificar (o “nombrar”) imágenes para luego agruparlas (como cuando se realiza una búsqueda de fotos). Estos algoritmos de aprendizaje automático pertenecen al subconjunto del aprendizaje profundo.

Usando cámaras para tomar fotografías de campo amplio de grandes áreas del cuerpo de los pacientes, el programa usa DCNN para identificar y detectar de manera rápida y efectiva el melanoma en etapa temprana, según Luis R. Soenksen, un postdoctorado y experto en dispositivos médicos que actualmente actúa como El primer Venture Builder del MIT en Inteligencia Artificial y Salud. Soenksen realizó la investigación con investigadores del MIT, incluidos los miembros de la facultad del Instituto de Ingeniería Médica y Ciencia (IMES) del MIT Martha J. Gray, W. Kieckhefer, profesora de Ciencias y Tecnología de la Salud, profesora de ingeniería eléctrica y ciencias de la computación; y James J. Collins, Profesor Termeer de Ingeniería Médica y Ciencia e Ingeniería Biológica.

Soenksen, quien es el primer autor del artículo reciente, “Uso del aprendizaje profundo para la detección a nivel dermatológico de lesiones cutáneas pigmentadas sospechosas a partir de imágenes de campo amplio”, publicado en Science Translational Medicine, explica que “La detección temprana de SPL puede salvar vidas; sin embargo, todavía falta la capacidad actual de los sistemas médicos para proporcionar exámenes cutáneos completos a escala “.

El documento describe el desarrollo de un sistema de análisis de SPL que utiliza DCNN para identificar de manera más rápida y eficiente las lesiones cutáneas que requieren más investigación, exámenes que pueden realizarse durante las visitas de atención primaria de rutina o incluso por los propios pacientes. El sistema utilizó DCNN para optimizar la identificación y clasificación de SPL en imágenes de campo amplio.

Utilizando IA, los investigadores entrenaron el sistema utilizando 20.388 imágenes de campo amplio de 133 pacientes en el Hospital Gregorio Marañón de Madrid, así como imágenes disponibles públicamente. Las imágenes se tomaron con una variedad de cámaras comunes que están fácilmente disponibles para los consumidores. Los dermatólogos que trabajan con los investigadores clasificaron visualmente las lesiones en las imágenes para compararlas.

Descubrieron que el sistema alcanzaba una sensibilidad de más del 90,3 por ciento para distinguir los SPL de las lesiones no sospechosas, la piel y los fondos complejos, al evitar la necesidad de obtener imágenes de lesiones individuales engorrosas y que requieren mucho tiempo. Además, el artículo presenta un nuevo método para extraer la prominencia de las lesiones intrapaciente (criterios del patito feo o la comparación de las lesiones en la piel de un individuo que se destacan del resto) sobre la base de las características de DCNN de las lesiones detectadas.

“Nuestra investigación sugiere que los sistemas que aprovechan la visión por computadora y las redes neuronales profundas, cuantificando estos signos comunes, pueden lograr una precisión comparable a la de los dermatólogos expertos”, explica Soenksen. “Esperamos que nuestra investigación revitalice el deseo de realizar exámenes dermatológicos más eficientes en entornos de atención primaria para impulsar las derivaciones adecuadas”.

Hacerlo permitiría evaluaciones más rápidas y precisas del SPLS y podría conducir a un tratamiento más temprano del melanoma, según los investigadores.