La inteligencia artificial (IA) está afectando muchos aspectos de la atención médica, y la oncología radioterápica no es una excepción. Tiene el potencial de reducir costos y agilizar los flujos de trabajo que van desde el análisis de imágenes hasta la formulación del plan de tratamiento, pero su lugar específico en la práctica clínica aún se debate.
En una sesión en la reunión anual de la Sociedad Estadounidense de Oncología Radioterápica, los investigadores discutieron algunas de las formas en que la IA es o pronto será relevante para la clínica. El consenso general fue que la IA proporciona un complemento útil, pero no representa una amenaza para reemplazar el papel de los oncólogos radioterápicos.
En su charla, Sanjay Aneja, MD, se centró en las aplicaciones prácticas de IA que están en la clínica o próximas a estar listas. Un ejemplo es la clasificación de imágenes. “Ha habido evidencia reciente que sugiere que en una variedad de diferentes tipos de escenarios, los modelos de aprendizaje profundo pueden ser muy buenos en la clasificación de imágenes de manera automatizada”, dijo Aneja, profesora de radiología en la Universidad de Yale, New Haven, Connecticut. Describió un estudio que usó IA para clasificar 14 patologías diferentes en imágenes de rayos X de tórax.
Aneja describió la herramienta de código abierto nnU-net, que se configura automáticamente y segmenta imágenes biomédicas con fines clínicos o de investigación, incluido el apoyo a la planificación de la terapia, el apoyo intraoperatorio y el seguimiento del crecimiento tumoral. Los investigadores que lo desarrollaron también crearon una “receta” para sistematizar la configuración de nnU-net, haciéndolo útil como una herramienta lista para usar para la segmentación de imágenes.
Predijo que la IA mejorará la oncología radiológica al ayudar a determinar la extensión de la enfermedad, incluidas las áreas microscópicas de la enfermedad. También podría ayudar a planificar el volumen de tratamiento y monitorear la respuesta al tratamiento. “Creo que este es el tipo de cosas que se moverán hacia la clínica en el futuro; aplicaciones y modelos muy específicos entrenados en escenarios muy específicos que nos ayudarán a responder una pregunta clínica muy importante”, dijo Aneja.
Él espera que la IA contribuya a la segmentación automática y el contorno clínico, “pero advertiré a todos que no se ha demostrado que estos algoritmos sean mejores que los contornos médicos. Con mucha frecuencia fallan en los casos de uso específicos cuando la anatomía está distorsionada por, no no sé, digamos un tumor. Y muchas veces, en realidad no tenemos la capacidad de convertirlo en un proceso automatizado. Creo que será algo que los médicos usarán para ayudarlos, pero no necesariamente para reemplazar su capacidad de contorno”, dijo Aneja.
Otra aplicación, potencialmente más útil, es la planificación adaptativa de la radiación. “Creo que el contorno automático de IA será muy útil para establecer contornos en una situación en la que un médico no sería factible. Necesitamos tener algoritmos de segmentación automática ágiles y computacionalmente eficientes que puedan implementarse fácilmente en el acelerador lineal”, dijo.
IA en Patología y Selección de Tratamiento
En otra charla, el Dr. Osama Mohamad habló sobre la IA en patología y específicamente sobre la selección del tratamiento. Describió la investigación de su grupo que digitalizó datos patológicos de 5500 pacientes extraídos de cinco ensayos clínicos aleatorios. Usaron IA en datos de cuatro de los ensayos clínicos para identificar un biomarcador de pronóstico para metástasis a distancia, luego lo validaron en datos del ensayo clínico restante, que comparó radiación versus radiación más terapia hormonal a corto plazo en el cáncer de próstata.
Los resultados sugirieron que la mayoría de los pacientes deberían recibir terapia hormonal, pero la IA sugirió una respuesta más matizada. “Los pacientes que tenían un biomarcador de IA negativo no ven ningún beneficio al agregar 4 meses de terapia hormonal… mientras que los pacientes que tienen un biomarcador positivo tienen una diferencia significativa y una mejoría en la metástasis a distancia a los 10 y 15 años. Esto significa que podemos ahorrar un proporción significativa de pacientes de obtener [androgen deprivation therapy]que es una terapia hormonal y tiene efectos secundarios muy conocidos, porque simplemente no se beneficiarán”, dijo Mohamad, profesor asistente de oncología radioterápica en la Universidad de California, en San Francisco.
Ese estudio se basó en la prueba de cáncer de próstata ArteraAI, que está disponible a través de un laboratorio certificado por la Enmienda de Mejora de Laboratorio Clínico en Florida.
Otro ejemplo de IA utilizada para planificar el tratamiento es la tecnología informática de evaluación comparativa en tiempo real en línea para radioterapia (ORBIT-RT), desarrollada en la Universidad de California, San Diego. Se centra en el control de calidad del plan de tratamiento de radioterapia y tiene dos componentes principales: la creación de rutinas de plan clínicamente validadas y un sistema gratuito de control de calidad del plan de radioterapia.
No importa cuán impresionantes puedan ser los avances técnicos, las contribuciones de la IA no afectarán la práctica clínica si los oncólogos radiólogos, los médicos y los pacientes no aceptan la IA. El grupo de Aneja encuestó a los pacientes sobre en qué campo de la salud se sentirían más cómodos con la IA teniendo un papel importante. La mayoría dijo que se sentían extremadamente incómodos cuando se trataba de cáncer. “Ahora, ¿eso significa que no podemos usar IA en oncología? No, creo que solo significa que tenemos que ser un poco más matizados en nuestro enfoque y en cómo desarrollamos soluciones de IA para pacientes con cáncer”, dijo Aneja.
Los médicos también se muestran reacios, según Alejandro Berlin, MD, científico afiliado del Centro Oncológico Princess Margaret en Toronto. Discutió algunas investigaciones que analizan la aceptación del aprendizaje automático por parte de los médicos. Su grupo analizó la aceptación de los médicos de los planes de tratamiento para el cáncer de próstata generados por los médicos y, en paralelo, por el aprendizaje automático. En una fase teórica, los médicos generalmente estuvieron de acuerdo en que los planes de aprendizaje automático eran mejores, pero cuando llegó a una fase del estudio en la que los médicos eligieron qué plan implementar en un paciente real, la aceptación de los planes generados por aprendizaje automático se redujo en 20 %
Esta tendencia a confiar en los humanos sobre las máquinas es lo que Berlin llamó “sesgo de automatización”, y pidió un enfoque más colaborativo para implementar la IA. “En algunos casos, [machine learning] va a ser bueno y suficiente. Y en algunos casos, necesitarás la experiencia de un ser humano”.
Aneja, quien también moderó la sesión, expresó un sentimiento similar al resumir las charlas del día: “Siento que es una tecnología disruptiva… pero creo que todavía será necesario que tengamos personas capacitadas para para evaluar y asegurarse de que estos algoritmos funcionan de manera correcta y eficiente”.
Aneja, Mohamad y Berlin no tienen declaraciones financieras relevantes.
Este artículo apareció originalmente en MDedge.com, parte de Medscape Professional Network.