Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

El AI podía aumentar la predicción de la reacción del tratamiento entre pacientes con el no-pequeño cáncer de pulmón de la célula

Los algoritmos de aprendizaje profundos entrenados usando la inteligencia artificial (AI) pueden ayudar a determinar cómo los pacientes responderán a los tratamientos sistémicos para el no-pequeño cáncer de pulmón de la célula (NSCLC), según la nueva investigación publicada en la investigación de cáncer clínica del gorrón.

cáncer de pulmón AIHaber de imagen: Zapp2Photo/Shutterstock.com

Para el estudio, el científico Laurent Dercle (departamento de la investigación del socio de la radiología, del centro médico de Irving de la Universidad de Columbia) y el AI aplicado colegas a las exploraciones (SoC) de la tomografía calculada (CT) de la asistencia estándar de NSCLC avanzado y de los algoritmos profundamente de aprendizaje entrenados para predecir cómo los tumores sensibles estarían a tres tipos de tratamientos sistémicos.

Profundamente el aprendizaje es un tipo de aprendizaje de máquina donde los algoritmos llamados las redes neuronales artificiales aprenden de grupos de datos grandes y resuelven problemas de una manera que imite cómo los trabajos de cerebro humano y sin requerir la supervisión humana.

La interpretación actual de las exploraciones del CT es subjetiva

Dercle dice eso actualmente, la manera que los radiólogos interpretan exploraciones del CT de los pacientes con el cáncer que están recibiendo terapia sistémica son esencialmente subjetivos.

El propósito de este estudio era entrenar a tecnologías puntas del AI para predecir las reacciones de los pacientes al tratamiento, permitiendo que los radiólogos entreguen predicciones más exactas y más reproductivas de la eficacia del tratamiento en un primero tiempo de la enfermedad,”

Laurent Dercle, departamento de la radiología, centro médico de Irving de la Universidad de Columbia

Actualmente, verificar cómo los pacientes de NSCLC' responden a las terapias sistémicas, los radiólogos fijan diferencias en la talla de tumores existentes y en el aspecto de los nuevos tumores que han formado.

Sin embargo, determinando reacciones a los pacientes las' de esta manera pueden ser limitadas, dicen Dercle, determinado en caso de que se ha utilizado la inmunoterapia porque los pacientes exhiben reacciones y la progresión anormales de la enfermedad: “Más nuevas terapias sistémicas incitan la necesidad de la métrica alternativa para la evaluación de la reacción, que puede dar forma la toma de decisión terapéutica.”

¿Qué el estudio implicó?

Para su estudio, Dercle y las personas utilizaron los datos disponibles de las juicios clínicas de la fase II/phase III que observaban a los pacientes de NSCLC que habían estado recibiendo una de tres terapias sistémicas. Las tres terapias eran un agente de la inmunoterapia llamado nivolumab; un agente de la quimioterapia llamó el docetaxel y un agente apuntado llamó el gefitinib.

Analizaban las imágenes del SoC CT que habían sido realizadas para 92 participantes en dos juicios del nivolumab, 50 participantes en una juicio del docetaxel y 46 participantes en una juicio del gefitinib.

Para crear su modelo profético, Dercle y los colegas utilizaron las exploraciones que habían sido tomadas en la línea de fondo y durante la evaluación inicial del tratamiento, que era tres semanas más adelante para los pacientes que habían recibido el gefitinib y ocho semanas más adelante para los pacientes que habían recibido el nivolumab o el docetaxel.

Los tumores fueron categorizados como sensible o insensible al tratamiento, según patrones de referencia de los mástiles los'. Para las juicios del nivolumab y del docetaxel el patrón de referencia era supervivencia progresión-libre del punto medio y para la juicio del gefitinib era evaluación del poste-tratamiento de muestras quirúrgicas.

Para las tres poblaciones del estudio, destinaron los participantes aleatoriamente a un entrenamiento o a un grupo de la validación.  

Aplicando el aprendizaje de máquina a las imágenes del CT, las personas construyeron un modelo multivariable para predecir la sensibilidad de tumores entre pacientes en el grupo de entrenamiento. La sensibilidad prevista fue rayada de “cero,” que representó la mayoría de la sensibilidad… a “una,” que representó la mayoría de la insensibilidad. La sensibilidad del tratamiento del tumor fue definida sobre la base de las diferencias observadas en el tumor más grande del pulmón medido en la línea de fondo.

Determinar características proféticas

Puesto que la población del estudio en la juicio del gefitinib era pequeña, Dercle y los colegas desarrollaron y validaron un modelo usando características radiológicas de tumores entre 302 pacientes con el cáncer colorrectal metastático que había recibido terapia anti-EGFR. Las características determinadas como proféticas de sensibilidad del tratamiento entre los enfermos de cáncer colorrectales entonces fueron utilizadas para desarrollar un modelo en el grupo de entrenamiento de los pacientes de NSCLC que habían recibido el gefitinib.

A través de todos los grupos de estudio, ocho características radiológicas del tumor fueron utilizadas para construir los modelos de la predicción para las tres terapias sistémicas. Los ejemplos de las características eran diferencias en el volumen, el margen y la forma de tumores. Los modelos para el nivolumab y el gefitinib cada uno utilizaron cuatro de las ocho características y el modelo para el docetaxel utilizó una característica.

¿Qué el estudio encontró?

El funcionamiento de cada modelo fue fijado calculando una dimensión de la exactitud llamada “área bajo la curva” (AUC), donde una muesca de una representa exactitud profética perfecta.  En los grupos de la validación, las muescas de AUC para los modelos eran 0,77 para el nivolumab; 0,67 para el docetaxel y 0,82 para el gefitinib.

“Observamos que las características similares del radiomics predijeron tres diversas reacciones de la droga en pacientes con NSCLC,” decimos Dercle. “Además, encontramos que las mismas cuatro características que determinaron la sensibilidad del tratamiento de EGFR para los pacientes con el cáncer colorrectal metastático se podrían utilizar para predecir la sensibilidad del tratamiento para los pacientes con NSCLC metastático.”

Las implicaciones de las conclusión

Dercle agrega que la evaluación de firmas radiomic puede potencialmente perfeccionar la toma de decisión clínica que dice eso usando el AI, “proyección de imagen del cáncer puede trasladarse desde una herramienta intrínsecamente subjetiva a un poderío cuantitativo y objetivo para las aproximaciones del remedio de la precisión.”

Las personas reconocen que la talla de la población del estudio era pequeña, pero Dercle dice eso “porque el AI puede aprender contínuo de datos del mundo real, usando el AI en grupos de datos pacientes más grandes nos ayudará a determinar nuevas configuraciones para construir modelos más exactos de la predicción.”

Source:

AI may help predict responses to non-small cell lung cancer systemic therapies. EurekALert! 2020. Available at: https://www.eurekalert.org/pub_releases/2020-03/aafc-amh031820.php

Journal reference:

Artificial Intelligence May Help Predict Responses to Systemic Therapies in Patients With Non-small Cell Lung Cancer. AACR 2020. Available at: https://www.aacr.org/about-the-aacr/newsroom/news-releases/artificial-intelligence-may-help-predict-responses-to-systemic-therapies-in-patients-with-non-small-cell-lung-cancer/

Sally Robertson

Written by

Sally Robertson

Sally has a Bachelor's Degree in Biomedical Sciences (B.Sc.). She is a specialist in reviewing and summarising the latest findings across all areas of medicine covered in major, high-impact, world-leading international medical journals, international press conferences and bulletins from governmental agencies and regulatory bodies. At News-Medical, Sally generates daily news features, life science articles and interview coverage.

Citations

Please use one of the following formats to cite this article in your essay, paper or report:

  • APA

    Robertson, Sally. (2020, March 23). El AI podía aumentar la predicción de la reacción del tratamiento entre pacientes con el no-pequeño cáncer de pulmón de la célula. News-Medical. Retrieved on November 24, 2020 from https://www.news-medical.net/news/20200323/AI-could-enhance-prediction-of-treatment-response-among-patients-with-non-small-cell-lung-cancer.aspx.

  • MLA

    Robertson, Sally. "El AI podía aumentar la predicción de la reacción del tratamiento entre pacientes con el no-pequeño cáncer de pulmón de la célula". News-Medical. 24 November 2020. <https://www.news-medical.net/news/20200323/AI-could-enhance-prediction-of-treatment-response-among-patients-with-non-small-cell-lung-cancer.aspx>.

  • Chicago

    Robertson, Sally. "El AI podía aumentar la predicción de la reacción del tratamiento entre pacientes con el no-pequeño cáncer de pulmón de la célula". News-Medical. https://www.news-medical.net/news/20200323/AI-could-enhance-prediction-of-treatment-response-among-patients-with-non-small-cell-lung-cancer.aspx. (accessed November 24, 2020).

  • Harvard

    Robertson, Sally. 2020. El AI podía aumentar la predicción de la reacción del tratamiento entre pacientes con el no-pequeño cáncer de pulmón de la célula. News-Medical, viewed 24 November 2020, https://www.news-medical.net/news/20200323/AI-could-enhance-prediction-of-treatment-response-among-patients-with-non-small-cell-lung-cancer.aspx.