Los investigadores desarrollan método de la inteligencia artificial para ayudar a enfermos de cáncer por todo el mundo

Antes de realizar radioterapia, los oncólogos de la radiación primero revisan cuidadosamente imágenes médicas de un paciente para determinar el volumen grueso del tumor -- la porción observable de la enfermedad. Entonces diseñan los volúmenes clínicos paciente-específicos del objetivo que incluyen tejidos circundantes, puesto que estas regiones pueden ocultar las células cacerígenas y ofrecer los caminos para la metástasis.

Conocido como contorneando, este proceso establece cuánta radiación recibirá un paciente y cómo será entregada. En el caso de cáncer de cabeza y cuello, esto es una tarea determinado sensible debido a la presencia de tejidos vulnerables en la vecindad.

Aunque puede sonar directa, que contornea el objetivo volúmenes clínicos es muy subjetivo. Un estudio reciente de la universidad de Utrecht encontró variabilidad amplia en cómo los médicos entrenados contornearon la exploración de la tomografía calculada del mismo (CT) paciente, llevando a algunos doctores a sugerir volúmenes clínicos de alto riesgo del objetivo ocho veces más grandes que sus colegas.

Esta variabilidad del inter-médico es un problema para los pacientes, sobre quienes puede estar o bajo-dosificado basado en el doctor que trabajan con. Es también un problema para determinar mejores prácticas, así que las asistencias estándars pueden emerger.

Recientemente, Carlos Cardenas, un asistente de investigación graduado y el candidato del doctorado en El Doctor en Medicina centro de la Universidad de Texas del cáncer de Anderson en Houston, Tejas, y personas de investigadores en el Doctor en Medicina Anderson, trabajando bajo supervisión de la corte de Lorenza con el apoyo de los institutos de la salud nacionales, desarrollaron un nuevo método para automatizar contornear de los volúmenes clínicos de alto riesgo del objetivo usando la inteligencia artificial y las redes neuronales profundas.

Denuncian sus resultados en la aplicación de junio de 2018 el gorrón internacional de la radiación Oncology*Biology*Physics.

El trabajo de Cardenas se centra en traducir el procedimiento de la toma de decisión de un médico en un programa de computadora. “Tenemos muchos datos clínicos y los datos del plan del tratamiento de la radioterapia en el Doctor en Medicina Anderson,” él dijo. “Si pensamos en el problema de una manera elegante, podemos replegar las configuraciones que nuestros médicos están utilizando para tratar tipos específicos de tumores.”

En su estudio, analizaban datos a partir de 52 enfermos de cáncer orofaríngeos que habían sido tratados en el Doctor en Medicina Anderson entre el enero de 2006 a agosto de 2010, y habían hecho previamente sus volúmenes gruesos del tumor y los volúmenes clínicos del tumor contornear para su tratamiento de la radioterapia.

Cardenas pasó mucho tiempo la observación de las personas de la oncología de la radiación en el Doctor en Medicina Anderson, que tiene una de las pocas personas de los oncólogos del subspecialist de la culata de cilindro y del cuello en el mundo, intentando determinar cómo ella definen los objetivos.

“Para los volúmenes de alto riesgo del objetivo, muchos oncólogos de la radiación de las épocas utilizan la enfermedad gruesa existente del tumor y aplican un margen no uniforme de la distancia basado en la forma del tumor y sus tejidos adyacentes,” Cardenas dijo. “Comenzamos investigando este primer, usando vectores simples de la distancia.”

Cardenas comenzó el proyecto en 2015 y había acumulado rápidamente una cantidad poco manejable de datos para analizar. Él giró profundamente al aprendizaje como manera de explotación minera que los datos y destapadura de las reglas nas escrito que dirigen las decisiones de los expertos.

El algoritmo de aprendizaje profundo él desarrolló auto-codificadores de las aplicaciones -- una forma de las redes neuronales que pueden aprender cómo representar grupos de datos -- para determinar y reconstruir configuraciones que contornean del médico.

El modelo utiliza la información gruesa del mapa del volumen y de la distancia del tumor de rodear las estructuras anatómicas como sus entradas. Entonces clasifica los datos para determinar voxels -- pixeles tridimensionales -- ése es parte de los volúmenes clínicos de alto riesgo del objetivo. En casos orofaríngeos del cáncer, la culata de cilindro y el cuello se tratan generalmente con diversos volúmenes para el riesgo alto, inferior e intermedio. El papel describió el automatizar del objetivo para las áreas de alto riesgo. Los papeles próximos adicionales describirán las predicciones inferiores e intermedias.

Cardenas y sus colaboradores probaron el método en un subconjunto de los casos que habían sido dejados de los datos del entrenamiento. Encontraron que sus resultados eran comparables al trabajo de oncólogos entrenados. Los contornos previstos estados de acuerdo de cerca con la tierra-verdad y se podían ejecutar clínico, con solamente de menor importancia o ningunos cambios.

Además potencialmente de reducir variabilidad del inter-médico y de permitir comparaciones de resultados en juicios clínicas, una ventaja terciaria del método es la velocidad y la eficiencia que ofrece. Toma a un oncólogo de la radiación dos a cuatro horas para determinar volúmenes clínicos del objetivo. En el Doctor en Medicina Anderson, este resultado es entonces par revisado por los médicos adicionales para disminuir el riesgo de faltar la enfermedad.

Usando el superordenador inconformista en el centro de cómputo avance Tejas (TACC), podían producir volúmenes clínicos del objetivo hacia adentro bajo minuto. El entrenamiento del sistema llevó el periodo de tiempo más largo, pero para ese paso también, los recursos de TACC ayudados a acelerar la investigación importante.

“Si lo hiciéramos en nuestro GPU local [unidad central de los gráficos], habría tardado dos meses,” Cardenas dijo. “Solamente podíamos paralelizar el proceso y hacer la optimización en cada paciente enviando esos caminos a TACC y a ése es donde encontramos muchas ventajas usando el sistema de TACC.”

“Estos últimos años, hemos visto una explosión de nuevos proyectos usando profundamente el aprendizaje en sistemas de TACC,” dijo a Joe Allen, socio de investigación en TACC. “Es emocionante y satisfaciente para que poder soportar la investigación de Carlos, que se ata tan de cerca a la asistencia médica real.”

El proyecto se piensa específicamente para ayudar a países inferior-y-centrales de la renta donde está más rara la experiencia en contornear, aunque sea probable que las herramientas también sean útiles en los E.E.U.U.

Cardenas dice que tal herramienta podría también beneficiar grandemente a juicios clínicas permitiendo uno a compara más fácilmente los resultados de los pacientes tratados en dos diversas instituciones.

Hablando sobre la integración profundamente del aprendizaje en cuidado del cáncer, él dijo: “Pienso que va a cambiar nuestro campo. Algunos de estos sistemas del recommender están consiguiendo ser muy buenos y estamos comenzando a ver los sistemas que pueden hacer predicciones con una exactitud más alta que pueden algunos radiólogos. Espero que la traslación clínica de estas herramientas provea de médicos la información adicional que puede llevar para mejorar tratamientos pacientes.”

Fuente: https://www.tacc.utexas.edu/-/an-ai-oncologist-to-help-cancer-patients-worldwide