Uso del aprendizaje automático para predecir la progresión del tumor cerebral

Investigadores de la Universidad de Waterloo han creado un modelo computacional para predecir con mayor precisión el crecimiento de tumores cerebrales mortales.

El glioblastoma multiforme (GBM) es un cáncer cerebral con una tasa de supervivencia promedio de solo un año. Es difícil de tratar debido a su núcleo extremadamente denso, rápido crecimiento y ubicación en el cerebro. La estimación de la difusividad y la tasa de proliferación de estos tumores es útil para los médicos, pero esa información es difícil de predecir para un paciente individual de forma rápida y precisa.

Investigadores de la Universidad de Waterloo y la Universidad de Toronto se han asociado con el Hospital St. Michael’s en Toronto para analizar datos de resonancia magnética de múltiples pacientes con GBM. Están utilizando el aprendizaje automático para analizar completamente el tumor de un paciente, para predecir mejor la progresión del cáncer.

Los investigadores analizaron dos conjuntos de resonancias magnéticas de cada uno de cinco pacientes anónimos que padecían GBM. Los pacientes se sometieron a resonancias magnéticas extensas, esperaron varios meses y luego recibieron una segunda serie de resonancias magnéticas. Debido a que estos pacientes, por razones no reveladas, eligieron no recibir ningún tratamiento o intervención durante este tiempo, sus resonancias magnéticas brindaron a los científicos una oportunidad única para comprender cómo crece GBM cuando no se controla.

Los investigadores utilizaron un modelo de aprendizaje profundo para convertir los datos de resonancia magnética en estimaciones de parámetros específicos del paciente que informan un modelo predictivo para el crecimiento de GBM. Esta técnica se aplicó a tumores de pacientes y sintéticos, de los que se conocían las características reales, lo que les permitió validar el modelo.

«Nos hubiera encantado hacer este análisis en un gran conjunto de datos», dijo Cameron Meaney, Ph.D. candidato en Matemática Aplicada e investigador principal del estudio. «Sin embargo, según la naturaleza de la enfermedad, eso es muy desafiante porque no hay una expectativa de vida larga y las personas tienden a comenzar el tratamiento. Es por eso que la oportunidad de comparar cinco tumores no tratados fue tan rara y valiosa».

Ahora que los científicos tienen un buen modelo de cómo crece GBM sin tratamiento, su próximo paso es expandir el modelo para incluir el efecto del tratamiento en los tumores. Luego, el conjunto de datos aumentaría de un puñado de resonancias magnéticas a miles.

Meaney enfatiza que el acceso a los datos de resonancia magnética, y la asociación entre matemáticos y médicos, puede tener un gran impacto en los pacientes en el futuro.

«La integración del análisis cuantitativo en el cuidado de la salud es el futuro», dijo Meaney.

El estudio en coautoría de Meaney, Sunit Das, Errol Colak y Mohammad Kohandel, aparece en el Revista de Biología Teórica.