Cómo la IA ayuda a evaluar casos de cáncer: del diagnóstico de 19 tumores en Harvard a las mamografías

Los investigadores han desarrollado herramientas de inteligencia artificial (IA) para que las imágenes del cáncer se obtengan con mayor rapidez, precisión y cantidad de información, según los Institutos Nacionales de Salud (NIH). El avance generó entusiasmo en el ámbito científico durante los últimos años.

Estos programas informáticos utilizan datos para tomar decisiones o realizar pronósticos. Para crear un algoritmo, los científicos establecen reglas e instrucciones que permiten a una computadora analizar la información y elegir un resultado.

“Hay mucho furor (en torno a la IA), pero también hay mucha investigación”, comentó la doctora Stephanie Harmon, científica de datos de la División de Imágenes Moleculares del Instituto Nacional del Cáncer (NCI).

Las herramientas de inteligencia artificial no reemplazan a los médicos: complementan su trabajo al procesar información y aportar elementos para las decisiones clínicas, que siguen bajo la evaluación de los profesionales.

Los avances abarcan desde modelos que leen láminas de patología hasta sistemas que colaboran con la mamografía y el análisis de estudios de medicina nuclear. En ese panorama, investigadores de Harvard presentaron un modelo diseñado para asumir tareas de diagnóstico, pronóstico y evaluación de la respuesta a tratamientos en 19 tipos de cáncer.

Tareas de diagnóstico, pronóstico y respuesta al tratamiento

El sistema, detallado en Nature, se denomina Clinical Histopathology Imaging Evaluation Foundation (CHIEF). Kun-Hsing Yu, médico y profesor asociado de Informática Biomédica de la Facultad de Medicina de Harvard, lo definió como “un único modelo base” capaz de concentrar tareas que, hasta ahora, solían requerir modelos distintos.

Los sistemas de IA en uso suelen recibir entrenamiento para una función delimitada, como identificar si hay cáncer o anticipar el perfil genético de un tumor. Además, con frecuencia se aplican a pocos tipos de cáncer. CHIEF fue probado en 19 tipos y puede desempeñar una variedad de tareas, una flexibilidad que los investigadores compararon con la de los grandes modelos de lenguaje.

Aunque ya aparecieron otros modelos básicos de IA para diagnósticos médicos basados en imágenes patológicas, los investigadores consideran que CHIEF es el primero capaz de predecir desenlaces de pacientes y de validar esos resultados en varios grupos internacionales.

“El principal avance de nuestro modelo CHIEF es la versatilidad”, explicó Yu a Infobae. “Un único modelo base admite múltiples tareas”, entre ellas “la detección de cáncer, la identificación del origen del tumor, la caracterización molecular y la predicción del pronóstico”. El experto añadió que el modelo aprende tanto de los detalles de las células como de la organización más amplia del tejido y relaciona las características locales con el contexto que las rodea.

“Nuestra investigación muestra que las láminas de patología de rutina contienen patrones sutiles asociados con las características moleculares y el comportamiento de un tumor”, afirmó Yu a Infobae. Sobre el cáncer colorrectal, precisó: “Nuestros estudios vincularon patrones tisulares con la expresión génica, alteraciones genéticas clínicamente relevantes e inestabilidad de microsatélites”, una característica molecular asociada con la respuesta a la inmunoterapia.

El investigador añadió que CHIEF también encontró asociaciones entre la infiltración de células inmunes, el entorno del tumor y la supervivencia del paciente. “Estos hallazgos conectan la apariencia del tejido con la biología subyacente y generan hipótesis para futuras investigaciones”, sostuvo.

“El siguiente paso importante es la prueba prospectiva para determinar si la asistencia de IA mejora la toma de decisiones clínicas y los resultados de los pacientes”, indicó Yu. “Actualmente estamos evaluando cómo los médicos pueden trabajar eficazmente con la IA y cuál es la mejor manera de monitorear su rendimiento en entornos clínicos”.

A futuro, agregó, “espero que la IA ayude cada vez más a los médicos a priorizar casos, optimizar las evaluaciones de tejidos y respaldar decisiones de tratamiento más personalizadas”. El experto remarcó que las medidas de seguridad incluyen pruebas en poblaciones diversas, comunicar la incertidumbre y supervisar continuamente el rendimiento. También expresó su expectativa de que herramientas asequibles y validadas democraticen el acceso a una atención oncológica de alta calidad, incluso en entornos con recursos sanitarios limitados.

Los estudios de mamografía registraron más detecciones con apoyo de IA

La utilidad de estos sistemas también aparece en la evaluación de imágenes mamarias. Amy Patel, presidenta de la Red de Defensa de la Radiología del Colegio Americano de Radiología y profesora clínica asociada de Radiología en la Facultad de Medicina de la Universidad de Kansas, señaló a Infobae: “Creo que la IA está demostrando ser más útil en mamografía, según los datos que estamos viendo, especialmente en Europa”.

“Por ejemplo, el ensayo MASAI realizado en Suecia, que incluyó a 105.934 mujeres, observó un aumento relativo del 29% en la detección de cáncer” frente a los radiólogos que realizaron doble lectura, dijo Patel. También registró una mayor detección de tumores pequeños, invasivos y sin afectación ganglionar. “El estudio PRAIM realizado en Alemania incluyó a 463.094 mujeres y demostró un aumento del 17,6% en la detección de cáncer” en comparación con ese esquema, añadió.

Respecto de Estados Unidos, Patel afirmó que un estudio reciente publicado en el Journal of the American College of Radiology observó “un aumento del 22% en la detección de cáncer y un aumento del 26% en la detección de cáncer invasivo”, sin un aumento de la tasa de repetición de pruebas. Las mamografías fueron interpretadas por radiólogos especializados en mama que realizaron una única lectura.

La ecografía mamaria también muestra resultados con valores de AUC —una medida del desempeño de un modelo— de hasta 0,9 en distintos tipos de práctica y ubicaciones geográficas. Para Patel, estas herramientas “tienen el potencial de ser excelentes complementos” y de funcionar como “herramientas de apoyo a la toma de decisiones clínicas” de los radiólogos especializados en mama, dijo a Infobae.

La especialista advirtió, sin embargo: “Las limitaciones que debemos considerar son la comparación de los datos que estamos viendo en Europa con los de Estados Unidos”. Mencionó diferencias como la doble lectura en Europa frente a la lectura única en Estados Unidos, la cautela al generalizar los resultados entre poblaciones y lugares, y factores como la densidad mamaria. “También debemos tener en cuenta el sesgo de automatización y asegurarnos de no profundizar las desigualdades”, señaló Patel.

“Los algoritmos de IA para la predicción de riesgos tienen el potencial de revolucionar la forma en que brindamos atención personalizada para el cáncer de mama y las pruebas de imagen a las pacientes”, sostuvo. Según explicó, esos datos pueden ayudar a establecer si una paciente necesita una detección más temprana o más tardía, e incluso cuándo podría considerarse suspenderla con la edad. Patel añadió que la información podría intervenir en la toma de decisiones compartida entre radiólogo y paciente para adaptar un intervalo de detección.

“Necesitamos más datos en Estados Unidos para demostrar que la detección del cáncer de mama asistida por IA es precisa, reproducible y generalizable en todos los tipos de práctica y ubicaciones geográficas”, dijo. También reclamó acceso para todos los pacientes y un sistema de reembolso una vez que se compruebe la eficacia de un algoritmo, incluso para quienes no tienen seguro médico.

Asimismo, Patel pidió “protocolos estandarizados para un monitoreo constante, la evaluación de desviaciones y flujos de trabajo internos que garanticen prácticas de auditoría sólidas”. Esas medidas, sostuvo, deben asegurar que el algoritmo se utilice según lo previsto inicialmente.

Medir la falta de oxígeno dentro de los tumores

En Argentina, Agustina Jurgiel, ingeniera en Informática por la Universidad de Palermo (UP), y Jazmín Schwartz, estudiante de la Maestría en Inteligencia Artificial de la UP y física sénior de radiación en Medicina Nuclear en Northwell Health, Estados Unidos, desarrollan una IA para medir la hipoxia tumoral. La herramienta podría aportar información para entender y tratar mejor el cáncer.

Observar un tumor no siempre permite conocer lo que sucede en su interior. La medicina nuclear busca medir, entre otras variables, la hipoxia tumoral: la presencia de regiones con bajos niveles de oxígeno. Identificarlas importa porque esas áreas pueden responder con mayor resistencia a ciertos tratamientos.

La investigación combina inteligencia artificial con estudios de PET dinámico, una técnica de medicina nuclear que emplea un trazador radiactivo para generar imágenes y observar procesos biológicos dentro del cuerpo. El objetivo es entrenar una red neuronal que siga el comportamiento del trazador a lo largo del tiempo, ubique las regiones tumorales con falta de oxígeno y reduzca el procesamiento de la información de horas a segundos.

El proyecto utiliza FMISO, un trazador que circula por la sangre y llega al tejido alrededor del tumor. Cuando alcanza áreas con poco oxígeno, queda retenido y se acumula con el tiempo.

La diferencia puede explicarse con una comparación simple: un PET estático funciona como una fotografía; un PET dinámico, como una película. La imagen estática muestra la cantidad de trazador presente en un punto en un momento determinado, mientras que el estudio dinámico registra una secuencia y permite seguir su recorrido minuto a minuto.

La sucesión de imágenes produce una curva que refleja cómo el trazador ingresa en el tejido, se acumula y, en algunos casos, sale. Así, los especialistas pueden distinguir entre el paso transitorio por una zona y la retención en tejido hipóxico.

El desafío radica en el volumen de datos. Los equipos de PET dinámico de cuerpo entero pueden producir millones de curvas de pequeñas regiones de imagen, y analizarlas mediante métodos tradicionales demanda mucho tiempo. La propuesta de Jurgiel y Schwartz consiste en entrenar una red neuronal para interpretar esas curvas de manera directa.

El modelo se prepara con curvas simuladas y aprende la relación entre la forma de la señal y parámetros que describen el comportamiento del trazador. Dicho de otro modo, en vez de resolver el mismo problema matemático para cada región de una imagen, la IA reconoce los patrones una vez y aplica ese aprendizaje a curvas nuevas.

“Lo que buscamos es crear un modelo de inteligencia artificial que aprenda a interpretar la información fisiológica que está contenida en un PET dinámico”, explicó Jurgiel a Infobae. “En nuestro caso trabajamos con FMISO, un trazador que tiene la particularidad de quedar retenido en tejidos con baja disponibilidad de oxígeno”. Esa retención, indicó, permite estudiar la hipoxia tumoral, porque las regiones hipóxicas pueden comportarse de manera diferente frente a determinados tratamientos.

“El objetivo final sería ayudar al médico a disponer de información fisiológica más completa en un tiempo compatible con la práctica clínica, para que pueda tomar decisiones con mayor rapidez”, añadió Jurgiel. Eso permitiría agilizar la planificación y el inicio del tratamiento del paciente.

“A futuro, una aplicación especialmente interesante sería utilizar esos mapas para identificar regiones persistentemente hipóxicas dentro del tumor y estudiar cómo incorporar esa información a la planificación terapéutica, por ejemplo en radioterapia”, afirmó. El próximo paso, añadió, será ampliar la cohorte y relacionar los parámetros obtenidos con medidas independientes de hipoxia y resultados clínicamente relevantes.

Por su parte, Schwartz precisó a Infobae: “Al paciente se le inyecta una cantidad muy pequeña de una sustancia levemente radiactiva, llamada trazador”. En este caso, dijo, se trata de FMISO, que “tiene la particularidad de quedar atrapado en las células con poco oxígeno” después de viajar por la sangre.

“El átomo radiactivo que lleva es inestable y, al desintegrarse, libera una partícula diminuta llamada positrón; de ahí el nombre del estudio: tomografía por emisión de positrones, o TEP”, señaló. “El positrón recorre apenas un milímetro, se encuentra con un electrón del cuerpo y ambos se aniquilan”. Como resultado, aparecen dos rayos gamma de energía invisible que se desplazan en direcciones opuestas.

La especialista describió el mecanismo de formación de las imágenes: “El paciente está acostado dentro de un anillo de detectores. Cuando dos detectores enfrentados registran una señal al mismo tiempo, la computadora sabe que el origen está en algún punto de la línea que los une”. Al cruzar millones de esas líneas, agregó, se arma una imagen en tres dimensiones.

“En esa imagen, cada punto del cuerpo tiene un color o una intensidad según cuánto trazador hay allí: cuanto más trazador, más intenso se ve”, precisó Schwartz. “Como el FMISO se queda atrapado donde falta oxígeno, las zonas más intensas dentro del tumor son las que tienen menos oxígeno”.

“Es un estudio seguro: la dosis de radiación es baja y el trazador se elimina naturalmente del cuerpo”, concluyó.

Otro avance en la UBA

Un equipo de la Universidad de Buenos Aires (UBA) desarrolla una herramienta de inteligencia artificial para anticipar cómo responderá cada paciente con cáncer a la quimioterapia. El sistema busca orientar la elección del tratamiento y evitar exposiciones a medicamentos con efectos adversos cuando no ofrecen un beneficio clínico.

La metodología se encuentra en fase preclínica, pero ya se aplica sobre muestras de pacientes del Hospital Garrahan y se estudia en otros centros sanitarios. El grupo estima que podrá validar la técnica a nivel clínico durante los próximos dos años.

La investigación reúne a especialistas de la Facultad de Farmacia y Bioquímica de la UBA, el IDEHU-CONICET y los hospitales Garrahan, del Bicentenario de Esteban Echeverría y El Cruce Dr. Néstor Kirchner.

El objetivo es detectar biomarcadores, moléculas que permiten identificar procesos biológicos, asociados con la resistencia temprana a los tratamientos. Los candidatos se buscan en sangre, suero, tejido tumoral extirpado y líquido cefalorraquídeo.

Matías Pibuel, bioquímico e investigador de la UBA y el Consejo Nacional de Investigaciones Científicas y Técnicas, explicó que conocer la eficacia potencial de una terapia antes de administrarla puede modificar el recorrido del paciente: “Saber de antemano si un tratamiento va a ser efectivo o no es fundamental, sobre todo para evitar que el paciente atraviese los efectos adversos sin obtener un beneficio clínico esperable”.

La herramienta parte de una muestra del paciente y analiza las moléculas expresadas en el tumor. Luego, el sistema correlaciona esos datos con la posibilidad de responder o no a la quimioterapia.

Pibuel describió el procedimiento: “Recibimos la muestra del paciente, la procesamos mediante un equipo que nos indica qué moléculas se expresan en el tumor. Luego, mediante IA, correlacionamos la expresión de esas moléculas con la posibilidad de que el paciente responda o no a la quimioterapia. Cuando tengamos una cantidad suficiente de muestras y correlaciones, podremos predecir la respuesta de cada paciente a un tratamiento específico”.

Las investigaciones se concentran en tumores del sistema nervioso central de adultos y pacientes pediátricos, leucemia mieloide crónica y ensayos vinculados con páncreas. El equipo considera que el método puede aplicarse a otros tipos de tumores.

La práctica habitual consiste en administrar el fármaco y observar la evolución del paciente. La respuesta al tratamiento suele conocerse recién después de tres o cuatro sesiones, un período en el que pueden aparecer efectos adversos sin que exista una garantía de eficacia.

“Actualmente no existen técnicas que permitan predecir la respuesta a la terapia, todo se hace de manera empírica. Hoy se administra la droga y se espera la evolución. Recién después de tres o cuatro sesiones se sabe si el tratamiento funcionó, y eso implica mucho tiempo de sufrimiento por los efectos adversos”, aseveró Pibuel.

La posibilidad de anticipar una falta de respuesta permitiría descartar una alternativa ineficaz y buscar otra terapia con potencial beneficio clínico. Para el investigador, el efecto esperado alcanza tanto a la calidad de vida como a la esperanza de vida de las personas tratadas.

“Creemos que esta herramienta es fundamental para el paciente. Todas las quimioterapias tienen efectos adversos; si el tratamiento va a tenerlos, buscamos que al menos sea efectivo. Si sabemos que no lo será, debemos buscar otra alternativa”, analizó.

El desarrollo está a cargo de Pibuel, Silvina Lompardia, de la UBA-CONICET, y Martín Ledesma, bioinformático del Hospital El Cruce. La aplicación hospitalaria de la técnica podría concretarse en un plazo de entre cinco y diez años.