Antes de realizar la radioterapia, los oncólogos radioterapeutas primero revisan cuidadosamente las imágenes médicas de un paciente para identificar el volumen tumoral bruto, la porción observable de la enfermedad. Luego diseñan volúmenes objetivos clínicos específicos del paciente que incluyen tejidos circundantes, ya que estas regiones puedenocultar células cancerosas y proporcionar vías para la metástasis.
Conocido como contorneado, este proceso establece la cantidad de radiación que recibirá un paciente y cómo se administrará. En el caso del cáncer de cabeza y cuello, esta es una tarea particularmente delicada debido a la presencia de tejidos vulnerables en las proximidades.
Aunque puede parecer sencillo, contornear volúmenes de objetivos clínicos es bastante subjetivo. Un estudio reciente de la Universidad de Utrecht encontró una gran variabilidad en la forma en que los médicos capacitados contornearon la tomografía computarizada TC del mismo paciente, lo que llevó a algunos médicos a sugerir objetivos clínicos de alto riesgovolúmenes ocho veces más grandes que sus colegas.
Esta variabilidad entre médicos es un problema para los pacientes, que pueden recibir una dosis excesiva o insuficiente según el médico con el que trabajan. También es un problema para determinar las mejores prácticas, por lo que pueden surgir estándares de atención.
Recientemente, Carlos Cárdenas, un asistente de investigación graduado y candidato a doctorado en el MD Anderson Cancer Center de la Universidad de Texas en Houston, Texas, y un equipo de investigadores en el MD Anderson, trabajando bajo la supervisión de Laurence Court con el apoyo de los Institutos Nacionalesof Health, desarrolló un nuevo método para automatizar el contorneado de volúmenes de objetivos clínicos de alto riesgo utilizando inteligencia artificial y redes neuronales profundas.
Informan sus resultados en la edición de junio de 2018 del Revista Internacional de Oncología Radioterápica * Biología * Física .
El trabajo de Cárdenas se centra en traducir el proceso de toma de decisiones de un médico en un programa informático. "Tenemos muchos datos clínicos y datos de planes de tratamiento de radioterapia en el MD Anderson", dijo. "Si pensamos en el problema en un momentode manera inteligente, podemos replicar los patrones que nuestros médicos están usando para tratar tipos específicos de tumores ".
En su estudio, analizaron datos de 52 pacientes con cáncer de orofaringe que habían sido tratados en el MD Anderson entre enero de 2006 y agosto de 2010, y que previamente habían contorneado sus volúmenes tumorales brutos y volúmenes clínicos tumorales para su tratamiento de radioterapia.
Cárdenas pasó mucho tiempo observando al equipo de oncología radioterápica del MD Anderson, que tiene uno de los pocos equipos de oncólogos subespecialistas en cabeza y cuello del mundo, tratando de determinar cómo definen los objetivos.
"Para volúmenes objetivo de alto riesgo, muchas veces los oncólogos radioterapeutas usan la enfermedad tumoral macroscópica existente y aplican un margen de distancia no uniforme basado en la forma del tumor y sus tejidos adyacentes", dijo Cárdenas. "Comenzamos porinvestigando esto primero, usando vectores de distancia simples. "
Cárdenas comenzó el proyecto en 2015 y había acumulado rápidamente una cantidad difícil de datos para analizar. Se dirigió al aprendizaje profundo como una forma de extraer esos datos y descubrir las reglas no escritas que guían las decisiones de los expertos.
El algoritmo de aprendizaje profundo que desarrolló utiliza codificadores automáticos, una forma de redes neuronales que pueden aprender a representar conjuntos de datos, para identificar y recrear patrones de contorneado médico.
El modelo utiliza el volumen tumoral bruto y la información del mapa de distancia de las estructuras anatómicas circundantes como sus entradas. Luego clasifica los datos para identificar los vóxeles, píxeles tridimensionales, que forman parte de los volúmenes de destino clínico de alto riesgo.En los casos de cáncer de orofaringe, la cabeza y el cuello generalmente se tratan con diferentes volúmenes para riesgo alto, bajo e intermedio. El documento describió la automatización del objetivo para las áreas de alto riesgo. Los próximos documentos adicionales describirán las predicciones bajas e intermedias.
Cárdenas y sus colaboradores probaron el método en un subconjunto de casos que habían quedado fuera de los datos de capacitación. Descubrieron que sus resultados eran comparables al trabajo de oncólogos capacitados. Los contornos pronosticados coincidían estrechamente con la verdad básica y podíanimplementarse clínicamente, con solo cambios menores o sin cambios.
Además de reducir potencialmente la variabilidad entre médicos y permitir comparaciones de resultados en ensayos clínicos, una ventaja terciaria del método es la velocidad y la eficiencia que ofrece. Al oncólogo radioterapeuta le toma de dos a cuatro horas determinar el volumen objetivo clínico.MD Anderson, este resultado es luego revisado por médicos adicionales para minimizar el riesgo de perder la enfermedad.
Utilizando la supercomputadora Maverick en el Centro de Computación Avanzada de Texas TACC, pudieron producir volúmenes clínicos objetivos en menos de un minuto. La capacitación del sistema tomó la mayor cantidad de tiempo, pero también para ese paso, los recursos TACC ayudaron a acelerarla investigación significativamente
"Si lo hiciéramos en nuestra GPU [unidad de procesamiento de gráficos] local, nos hubiera llevado dos meses", dijo Cárdenas. "Pero pudimos paralelizar el proceso y optimizar en cada paciente enviando esos caminosa TACC y ahí es donde encontramos muchas ventajas al usar el sistema TACC "
"En los últimos años, hemos visto una explosión de nuevos proyectos que utilizan el aprendizaje profundo en los sistemas TACC", dijo Joe Allen, investigador asociado de TACC. "Es emocionante y gratificante para nosotros poder apoyar la investigación de Carlos, queestá tan estrechamente vinculado a la atención médica real "
El proyecto está destinado específicamente a ayudar a los países de ingresos bajos y medios donde la experiencia en el contorneado es más rara, aunque es probable que las herramientas también sean útiles en los EE. UU.
Cárdenas dice que dicha herramienta también podría beneficiar en gran medida los ensayos clínicos al permitir que uno compare más fácilmente los resultados de los pacientes tratados en dos instituciones diferentes.
Hablando sobre la integración del aprendizaje profundo en la atención del cáncer, dijo: "Creo que va a cambiar nuestro campo. Algunos de estos sistemas de recomendación se están volviendo muy buenos y estamos comenzando a ver sistemas que pueden hacer predicciones conuna precisión más alta que la que pueden obtener algunos radiólogos. Espero que la traducción clínica de estas herramientas brinde a los médicos información adicional que pueda conducir a mejores tratamientos para los pacientes ".
Fuente de la historia :
Materiales proporcionado por Universidad de Texas en Austin, Centro de Computación Avanzada de Texas . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :