El incremento en la incidencia del adenocarcinoma de próstata y la escasez de patólogos plantean un riesgo para el diagnóstico del millón de nuevos casos anuales. Investigadores de University of Pittsburgh Medical Center (UPMC) e Ibex Medical Analytics han presentado un algoritmo con un elevado desempeño tanto en validación externa como en el flujo diario del laboratorio de anatomía patológica.
¿Qué hay de nuevo?
Un estudio de un equipo de UPMC e Ibex Medical Analytics liderado por Liron Pantanowitz y publicado en The Lancet ha evaluado el desempeño de un algoritmo para el diagnóstico de cáncer de próstata que ofrece no sólo la detección del cáncer y su grado sino también la proporción del tumor así como la detección de la invasión perineural. El algoritmo ha sido desplegado y validado en el flujo de trabajo diario de un laboratorio de anatomía patológica demostrando la factibilidad técnica de su despliegue en condiciones de trabajo de práctica clínica.
Idea clave
Un algoritmo IA exacto, robusto y validado puede ser una importante herramienta de ayuda en la práctica clínica diaria del laboratorio de anatomía patológica.
¿Cómo funciona?
El estudio ha implicado las siguientes etapas: desarrollo y prueba de un algoritmo para el diagnóstico de cáncer de próstata, validación externa en una dataset independiente y despliegue del algoritmo en práctica clínica diaria.
- Un algoritmo compuesto por un clasificador Gradient Boosting (detección de tejido) y una ensemble de tres CNN (clasificación y análisis a nivel de diapositiva completa) fue entrenado con 1.357.480 fragmentos de imágenes etiquetadas (18 clases) extraídas de 549 diapositivas anotadas manualmente con el objetivo obtener 5 resultados de interés clínico: presencia de cáncer, Gleason score 7-10, Gleason score 6, patrón Gleason 5, invasión perineural y porcentaje de cáncer en el tejido.
- La validación externa fue realizada en UPMC con un dataset de imágenes con características diferentes en formato, resolución y escáner. El algoritmo fue previamente calibrado y posteriormente se aplicó sobre 1627 imágenes para su validación.
- El despliegue en práctica clínica real se realizó en Maccabi Healthcare Services como un segundo sistema de lectura. El algoritmo se ejecuta en paralelo con el flujo del trabajo del patólogo generando una alerta cuando existen discrepancias entre el diagnóstico del patólogo y el del algoritmo. Los patólogos pueden revisar las alertas y visualizar las zonas identificadas por el algoritmo en la imagen con un mapa de calor para una segunda lectura.
Resultados
El AUC para la detección del cáncer se situó en 0.997 en validación interna y 0.991 en validación externa en UPMC. El AUC para la detección del Gleason score 6 versus Gleason score 7-10 fue de 0.941 y de 0.971 para la detección del patrón Gleason 5. La detección de invasión perineural presentó un AUC de 0.957.
¿Por qué importa?
La creciente carga de trabajo en los laboratorios de anatomía patológica así como las discrepancias entre patólogos en la clasificación de las muestras podría ser mitigada por un sistema automatizado robusto basado en IA que permita no sólo la detección del tumor sino de otras características de relevancia clínica. Este sistema podría ser utilizado como apoyo al diagnóstico, en tareas de screening o como mecanismo de control de calidad.
Pensamos
La IA parece estar lista para trabajar con nosotros en el laboratorio de anatomía patológica. ¿Estamos nosotros listos para la IA?