NEUMOLOGÍA

El aprendizaje profundo puede ayudar a elegir mejores tratamientos para el cáncer de pulmón

Eurekalert · 05 marzo 2021

Los médicos y el personal sanitario podrían utilizar algún día un modelo de aprendizaje profundo (deep learning), tipo de aprendizaje automático que se basa en redes neuronales artificiales, para guiar sus decisiones de tratamiento para los pacientes con cáncer de pulmón, según publica un equipo de investigadores de Penn State Great Valley (Estados Unidos) en el International Journal of Medical Informatics.

En su estudio, explican que desarrollaron un modelo de aprendizaje profundo que, en determinadas condiciones, tiene una precisión de más del 71 por ciento en la predicción de la esperanza de supervivencia de los pacientes con cáncer de pulmón, significativamente mejor que los modelos de aprendizaje automático tradicionales que el equipo había probado previamente.

La información sobre la esperanza de supervivencia de un paciente podría ayudar a los médicos y cuidadores a tomar mejores decisiones sobre el uso de medicamentos, asignación de recursos y determinación de la intensidad de la atención a los pacientes, señala el autor Youakim Badr.

"Se trata de un sistema de alto rendimiento muy preciso y está destinado a ayudar a los médicos a tomar estas importantes decisiones sobre la prestación de cuidados a sus pacientes -añade Badr-. Por supuesto, esta herramienta no puede sustituir al médico en la toma de decisiones sobre los tratamientos del cáncer de pulmón".

Según el investigador Robin G. Qiu, el modelo puede analizar una gran cantidad de datos que describen a los pacientes y la enfermedad para comprender cómo una combinación de factores afecta a la supervivencia del cáncer de pulmón. Las características pueden incluir información como los tipos de cáncer, el tamaño de los tumores, la velocidad de crecimiento del tumor y datos demográficos.

El aprendizaje profundo puede ser especialmente adecuado para abordar el pronóstico del cáncer de pulmón porque el modelo puede proporcionar el análisis robusto necesario en la investigación del cáncer, apuntan los investigadores. El aprendizaje profundo es un tipo de aprendizaje automático que se basa en las redes neuronales artificiales, que generalmente se modelan a partir del funcionamiento de la propia red neuronal del cerebro humano.

En el aprendizaje profundo, sin embargo, los desarrolladores aplican una sofisticada estructura de múltiples capas de estas neuronas artificiales.

"El aprendizaje profundo es un algoritmo de aprendizaje automático que hace asociaciones entre los datos, en sí mismos, y las etiquetas que usamos para describir los ejemplos de datos -comenta Badr-. Al hacer estas asociaciones, aprende de los datos".

Sobre esta base, los investigadores analizaron datos del programa de Vigilancia, Epidemiología y Resultados Finales (SEER), una de las mayores y más completas bases de datos sobre información de diagnóstico precoz de pacientes con cáncer en Estados Unidos, subraya Shreyesh Doppalapudi, primer autor del trabajo. Los registros de cáncer del programa cubren casi el 35% de los pacientes de cáncer de Estados Unidos.

El equipo comparó varios enfoques de aprendizaje profundo, incluidas las redes neuronales artificiales, las redes neuronales convolucionales y las redes neuronales recurrentes, con los modelos tradicionales de aprendizaje automático. Los enfoques de aprendizaje profundo funcionaron mucho mejor que los métodos tradicionales de aprendizaje automático.

Con unas 800.000 a 900.000 entradas en el conjunto de datos del SEER, los investigadores afirman que encontrar manualmente estas asociaciones en los datos con un equipo entero de investigadores médicos sería extremadamente difícil sin la ayuda del aprendizaje automático.

Referencia: Int J Med Inform. 2020 Dec 29;148:104371. doi: 10.1016/j.ijmedinf.2020.104371