Inteligencia artificial puede ayudar a los médicos a elegir mejores tratamientos para el cáncer de pulmón

Los médicos y los trabajadores de la salud podrían algún día usar un modelo de aprendizaje automático, llamado aprendizaje profundo, para guiar sus decisiones de tratamiento para pacientes con cáncer de pulmón, según un equipo de investigadores de Penn State Great Valley.

En un estudio, los investigadores informan que desarrollaron un modelo de aprendizaje profundo que, en ciertas condiciones, tenía una precisión de más del 71% en la predicción de la esperanza de supervivencia de los pacientes con cáncer de pulmón, significativamente mejor que los modelos tradicionales de aprendizaje automático que el equipo probó.

Los otros modelos de aprendizaje automático que el equipo probó tenían una tasa de precisión del 61%.

La información sobre la expectativa de supervivencia de un paciente podría ayudar a guiar a los médicos y cuidadores a tomar mejores decisiones sobre el uso de medicamentos, la asignación de recursos y la determinación de la intensidad de la atención para los pacientes, según Youakim Badr, profesor asociado de análisis de datos.

“Este es un sistema de alto rendimiento que es muy preciso y tiene como objetivo ayudar a los médicos a tomar estas importantes decisiones sobre la atención de sus pacientes”, dijo Badr.

“Por supuesto, esta herramienta no se puede utilizar como sustituto de un médico para tomar decisiones sobre tratamientos para el cáncer de pulmón“.

Según Robin G. Qiu, profesor de ciencia e ingeniería de la información y afiliado del Instituto de Ciencias Computacionales y de Datos, el modelo puede analizar una gran cantidad de datos, normalmente denominados características en el aprendizaje automático, que describen a los pacientes y la enfermedad a comprender cómo una combinación de factores afecta los períodos de supervivencia del cáncer de pulmón.

Las características pueden incluir información como tipos de cáncer, tamaño de los tumores, 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 sólido necesario en la investigación del cáncer, según los investigadores, que informan sus hallazgos en International Journal of Medical Informatics.

El aprendizaje profundo es un tipo de aprendizaje automático que se basa en redes neuronales artificiales, que generalmente se basan en el funcionamiento de la red neuronal del propio cerebro humano.

Sin embargo, en el aprendizaje profundo, los desarrolladores aplican una estructura sofisticada de múltiples capas de estas neuronas artificiales, razón por la cual el modelo se denomina “profundo”.

El aspecto de aprendizaje del aprendizaje profundo proviene de cómo el sistema aprende de las conexiones entre los datos y las etiquetas, dijo Badr.

“El aprendizaje profundo es un algoritmo de aprendizaje automático que establece asociaciones entre los datos, en sí mismos, y las etiquetas que usamos para describir los ejemplos de datos”, dijo Badr.

“Al hacer estas asociaciones, aprende de los datos“.

Qiu agregó que la estructura del aprendizaje profundo ofrece varias ventajas para muchas tareas de ciencia de datos, especialmente cuando se enfrenta a conjuntos de datos que tienen una gran cantidad de registros, en este caso pacientes, así como una gran cantidad de funciones.

“Mejora enormemente el rendimiento“, dijo Qiu.

“En el aprendizaje profundo podemos profundizar, por eso lo llaman así.

En el aprendizaje automático tradicional, tiene una estructura simple de capas de redes neuronales.

En cada capa, tienes un grupo de celdas.

En el aprendizaje profundo, hay muchas capas de estas células que se pueden diseñar en una estructura sofisticada para realizar una mejor transformación y extracción de características, lo que le brinda la capacidad de mejorar aún más la precisión de cualquier modelo“.

En el futuro, a los investigadores les gustaría mejorar el modelo y probar su capacidad para analizar otros tipos de cánceres y condiciones médicas.

“La tasa de precisión es buena, pero no perfecta, por lo que parte de nuestro trabajo futuro es mejorar el modelo“, dijo Qiu.

Para mejorar aún más su modelo de aprendizaje profundo, los investigadores también necesitarían conectarse con expertos en el dominio, que son personas que tienen conocimientos específicos.

En este caso, a los investigadores les gustaría conectarse con expertos en cánceres y condiciones médicas específicas.

“En muchos casos, es posible que no conozcamos muchas características que deberían incluirse en el modelo”, dijo Qiu.

“Pero, al colaborar con expertos en el dominio, podrían ayudarnos a recopilar características importantes sobre los pacientes que tal vez no conozcamos y que mejorarían aún más el modelo“.

Los investigadores analizaron datos del programa de Vigilancia, Epidemiología y Resultados Finales (SEER).

El conjunto de datos SEER es una de las bases de datos más grandes y completas sobre información de diagnóstico temprano para pacientes con cáncer en los Estados Unidos, según Shreyesh Doppalapudi, asistente de investigación de estudiantes graduados y primer autor del artículo.

Los registros de cáncer del programa cubren casi el 35% de los pacientes con cáncer de EE. UU.

“Una de las cosas realmente buenas de estos datos es que cubren una gran parte de la población y es realmente diversa”, dijo Doppalapudi.

“Otra cosa buena es que cubre muchas funciones diferentes, que puede usar para muchos propósitos diferentes.

Esto se vuelve muy valioso, especialmente cuando se utilizan enfoques de aprendizaje automático“.

Doppalapudi agregó que 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, dijo.

La arquitectura de aprendizaje profundo se adapta mejor al procesamiento de conjuntos de datos tan grandes y diversos, como el programa SEER, según Doppalapudi.

Trabajar con estos tipos de conjuntos de datos requiere una capacidad computacional sólida.

En este estudio, los investigadores se basaron en la supercomputadora Roar de ICDS.

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

“Si fueran solo tres campos, diría que sería imposible, y teníamos alrededor de 150 campos”, dijo Doppalapudi.

“Comprender todos esos campos diferentes y luego leer y aprender de esa información sería imposible“.

Fuente: PennState