
- TwitterTweet
- FacebookCompartir
- Compartir
- Jump to Comments
La inteligencia artificial decodifica las imágenes de patología del cáncer
Durante 150 años, los patólogos han estado observando a través de los microscopios las muestras de tejidos para diagnosticar el cáncer. Cada evaluación es decisiva: ¿este paciente tiene cáncer o no?
El trabajo de un patólogo es abrumador. Una única muestra podría contener centenares de miles de células. Solo un puñado de ellas podrían ser cancerígenas. Los índices de diagnósticos imprecisos oscilan entre el 3-9% de los casos, según un reciente informe.
Introduciendo la inteligencia artificial (IA), aportamos un conjunto adicional de ojos artificiales, imparciales e infatigables que podrían ayudar a detectar errores. Muchos investigadores están explorando esta posibilidad, pero los patólogos de Novartis consideran que la IA tiene todavía una función adicional a desarrollar. Su hipótesis consiste en que estas muestras de patología podrían contener información que ayude a explicar porqué algunos pacientes responden a la terapia, mientras que otros pacientes, aparentemente similares, no lo hacen.
Para explorar esta idea, los patólogos y científicos de datos de Novartis han unido fuerzas con la startup tecnológica PathAI. Están preparando un sistema de IA desarrollado por PathAI para aprender a ver los mismos patrones que los patólogos observan y fundamentarse en ellos para determinar si el sistema puede detectar patrones ocultos que sean demasiado sutiles o complejos para que los patólogos lo puedan discernir, pero que contengan información. La iniciativa forma parte de una iniciativa superior de Novartis para impulsar las tecnologías de datos y digitales de forma que puedan ayudar a los desarrolladores farmacológicos a obtener los fármacos adecuados, para los pacientes adecuados, de forma más rápida.


En una primera fase de las pruebas, el equipo colaborador ha entrenado al sistema PathAI para observar muestras de pacientes no tratados y para distinguir tejidos tumorales de tejidos normales. El sistema puede también identificar de forma fiable diferentes tipos de células en una muestra. Para un patólogo, podría equivaler a encontrar una aguja en un pajar y, posteriormente, etiquetar cada fragmento de paja.
La capacidad de etiquetar cada célula es cada vez más importante, ya que las terapias contra el cáncer evolucionan para incluir medicamentos que alcanzan, no solo a las células cancerígenas, sino también a las células inmunes. Si un ordenador puede analizar una muestra completa de una sola vez y cuantificar las células cancerígenas y sus emplazamientos, podrían revelar patrones que predigan si un paciente reaccionará bien con una terapia concreta.
“Afortunadamente, podemos imaginar qué características tienen una correlación con la supervivencia o la respuesta a un fármaco,” afirma Meg McLaughlin, patólogo y director del grupo Oncology Pathology and Biomarkers en el equipo de Oncology Translational Research de los Institutos Novartis para la Investigación Biomédica (NIBR).
Con una reciente explosión de opciones inmuno-oncológicas en experimentación, junto con terapias dirigidas a mutaciones impulsoras del cáncer, uno de los principales retos para los cazadores de fármacos (drug hunters) es buscar la terapia más apropiada para cada paciente. Mientras la información genómica ayuda a tomar decisiones acertadas, los valiosos indicios obtenidos en las muestras patológicas también pueden ser de gran ayuda. “Queremos crear una plataforma que permita a la patología respaldar el ritmo vertiginoso del desarrollo de fármacos,” afirma Andrew Beck, patólogo, científico informático y CEO de PathAI, con sede en Boston, Massachusetts, en los EE. UU.
Queremos crear una plataforma que permita a la patología respaldar el ritmo vertiginoso del desarrollo de fármacos.
Andrew Beck, CEO de PathAI
Formando el modelo de IA
En colaboración con el Instituto de Patología en el Hospital Universitario de Basilea, en Suiza, el equipo de Novartis logró acceder a 400 imágenes patológicas de tejidos con cáncer de mama y de pulmón, junto con información anónima sobre los diagnósticos y los tiempos de supervivencia de los pacientes.
¿Cuál es el reto de la plataforma de PathAI? Con una imagen dada, identificar el cáncer, identificar los tipos de células y predecir la probabilidad de supervivencia del paciente a cinco años.
Artificial intelligence decodes cancer pathology images
Una forma de aproximarse al reto es alimentar un conjunto de algoritmos de IA sin formación con un subgrupo de datos y observar qué aprende. De forma contraria a un patólogo formado, la máquina realiza una aproximación al problema sin conocimiento de las células o del cáncer.
“Un humano ya cuenta con mucho conocimiento,” afirma el especialista en datos de los NIBR Holger Hoefling, que está trabajando en el proyecto con PathAI y con un grupo interno de los NIBR destinado a utilizar la IA para evaluar problemas de seguridad en imágenes de patología. “Piensen en coches autónomos. Para entrenar a un coche a conducir, la cantidad de tiempo y datos requeridos para la formación es ingente. Por el contrario, ponemos a un humano detrás del volante durante 20 horas y ya lo dejamos conducir.”
Para dar a los algoritmos sin formación más conocimiento sobre los datos de formación, PathAI decidió alimentarlos con datos incluso más ricos. Un equipo de patólogos consultores marca las muestras, dando a los algoritmos más información con la que trabajar. De algún modo, es como las anotaciones en un fragmento de literatura que destacan y explican los pasajes más importantes.
Por ejemplo, al formar los algoritmos para distinguir los tipos de células, PathAI fragmentó las muestras de la formación en alrededor de 10.000 imágenes más pequeñas y los patólogos etiquetaron los tipos de células de cada muestra. “Tenemos que concentrarnos muy intensamente en la forma en que etiquetamos las imágenes,” afirma McLaughlin. “Este paso determina en gran modo lo que obtendremos finalmente del modelo de IA.”
¿Qué es una caja negra?
Los expertos en IA se refieren a los algoritmos cualificados como una “caja negra”, ya que es difícil saber lo que el sistema ha aprendido de los datos de formación o cómo toma las decisiones.
Dentro de la caja negra tenemos un conjunto de algoritmos de aprendizaje mecánicos. Estos algoritmos son una cascada de fórmulas que reconocen características, como la presencia de una determinada forma, y los asocian con datos reales como el tiempo de supervivencia real de un paciente.
A medida que los algoritmos observan más y más imágenes, ajustan su conocimiento de los patrones observados en los datos. Finalmente, aprenden que determinadas formas de una muestra predicen unos resultados médicos, como presentar una buena probabilidad de sobrevivir un año o una probabilidad menor de supervivencia de seis meses.
La aproximación de la caja negra tiene el beneficio de presentar una visión nueva de los datos, de forma que pueda revelar patrones biológicos inesperados. Pero también puede descubrir patrones que no tengan ningún sentido biológico. Los científicos de datos necesitan escrutar los resultados del modelo de IA, identificar la significancia de las conclusiones y ajustar los datos y algoritmos de aprendizaje de forma que elimine los no significativos.
Ver a través de los ojos de una máquina
Después del aprendizaje, la plataforma PathAI permite a los usuarios observar imágenes patológicas a través de los ojos de la máquina. Las regiones de las muestras determinadas como cancerígenas se muestran en un rojo brillante en un campo de tejido circundante de color verde. Los diferentes tipos de células se muestran en colores vívidos como caramelos en un plato. Las plataformas existentes tienen un uso exclusivo para la investigación, aunque PathAI tiene como objetivo diseñar aplicaciones que los médicos puedan utilizar en el futuro.


Una vez que los investigadores han demostrado que el sistema PathAI tiene el potencial de ver lo que los patólogos ven, ahora buscan averiguar si existe información en esas imágenes que no sea obvia para los patólogos.
Por ejemplo, se preguntan si la distribución y abundancia de determinadas células, como las células inmunes, podrían albergar indicios sobre cómo podría responder un paciente a la terapia inmunológica. Averiguarlo utilizando el ojo humano requeriría el minucioso trabajo escrutador de decenas de miles de células por muestra, una tarea inviable. “Podría hacerlo,” afirma McLaughlin. “Pero me llevaría toda una vida.”
Sin embargo, mediante la IA esta tarea es factible. McLaughlin y su equipo en Novartis están suministrando PathAI con imágenes patológicas y datos sobre los tiempos de supervivencia y de respuesta a la terapia de un reciente ensayo clínico de Novartis sobre el cáncer. Recopilar estos datos y compartirlos con PathAI no es una tarea sencilla. Además de localizar las muestras y verificar el consentimiento de los pacientes, el equipo debe presentar datos metódicos y consistentes obtenidos en las visitas de los médicos, lo que puede suponer un reto cuando los recopilan diversos médicos que trabajan en diversas clínicas.
“La era a la que nos dirigimos está más relacionada con datos que con algoritmos,” según Lee Cooper, profesor asistente de informática biomédica e ingeniero biomédico en la Universidad de Emory en los EE. UU. Cooper está especializado en utilizar el aprendizaje automático para entender las imágenes patológicas y colabora con los investigadores de los NIBR. “Los algoritmos continuarán mejorando, pero en realidad, el cambio al que nos enfrentamos es cómo generar los conjuntos de datos necesarios para construir los mejores algoritmos posibles.”
Con los datos en la mano, PathAI dispondrá de las imágenes comentadas. Después de esto, será responsabilidad de las máquinas encontrar los mensajes ocultos.
“Si podemos mostrar que este método puede adoptar estos datos e insertar información de los patólogos que no habíamos observado antes, estaremos delante de algo de un gran potencial,” afirma Beck.
Vídeo by PJ Kaszas
Shareline