Los sistemas de diagnóstico que utilizan inteligencia artificial son capaces de clasificar las lesiones cutáneas anómalas con rapidez y precisión y ofrecen un gran potencial para mejorar la precisión del diagnóstico. Así lo demuestra también un nuevo estudio en el que se aplicó con éxito una red neuronal artificial para la detección de carcinomas de células basales.
La inteligencia artificial (IA) desempeña un papel cada vez más importante en la medicina de precisión y puede ayudar a optimizar el uso de los recursos [1]. En el campo del reconocimiento de patrones visuales, las aplicaciones de la IA están muy avanzadas, lo que constituye un área de aplicación interesante para la dermatología y, en especial, para la detección del cáncer de piel. El carcinoma de células basales (CCB, Fig. 1) representa aproximadamente el 65% de todos los casos de cáncer de piel blanca en Europa Central y es, por tanto, el tumor cutáneo más frecuente en pacientes inmunocompetentes [2]. El CBC se denomina en la literatura maligno o semimaligno. La mayoría de los casos son tumores cutáneos no metastásicos pero localmente infiltrantes y destructivos. En la Reunión Anual 2021 de la ADF se presentó un estudio de prueba de concepto que muestra cómo puede utilizarse el aprendizaje profundo para el análisis de imágenes médicas en el cribado del cáncer de piel [3,4]. Se implementó una red neuronal artificial que, basándose en imágenes histológicas digitalizadas, generó una predicción de alta especificidad y sensibilidad sobre si las preparaciones cutáneas contenían o no cambios cancerosos. Los resultados del estudio se publicaron en la revista Modern Pathology 2021 [4].
Análisis de imágenes médicas mediante Deep Learning
La evaluación histológica de las biopsias cutáneas forma parte de la rutina diaria en dermatología y es un área de aplicación muy adecuada para la preselección automatizada asistida por IA con el fin de identificar cambios cancerosos y clasificar rápidamente los tumores. El principio básico de las aplicaciones del aprendizaje profundo en el campo del análisis de imágenes médicas es que una red neuronal artificial, que utiliza algoritmos y modelos estadísticos complejos para seleccionar las combinaciones de características con el mejor significado diagnóstico, se entrena con una gran cantidad de datos de imágenes y las clasificaciones correctas y mejora continuamente su capacidad para distinguir entre las diferentes expresiones de características [5]. Cada “neurona” de una red neuronal representa una operación matemática. Con este método, los portaobjetos digitalizados pueden examinarse en busca de características patológicas mediante un análisis de imagen automatizado. En el estudio de Kimeswenger et al. [3,4], la red neuronal artificial se entrenó para reconocer tumores utilizando preparaciones de tumores de CCB totalmente digitalizadas (n=820 preparaciones) (resumen 1) .
Alta precisión diagnóstica y especificidad
La red neuronal demostró ser capaz de identificar regiones tumorales de CCB en imágenes de cortes histológicos con gran precisión (AUC 0,993, IC del 95%: 0,990-0,995; sensibilidad: 0,965, IC del 95%: 0,951-0,979; especificidad: 0,910, IC del 95%: 0,859-0,960). El cálculo automático de una matriz ponderada constituyó la base para la predicción de las regiones relevantes para el tumor de las imágenes histológicas. Los investigadores también descubrieron que los algoritmos de aprendizaje automático se basaban en patrones de identificación de tumores significativamente diferentes en comparación con los expertos en patología. Esto se demostró mediante una comparación de las “regiones de interés” (ROI) utilizadas por la red neuronal, es decir, las regiones de la imagen clasificadas como relevantes para encontrar tumores, con las ROI de los expertos patólogos, que se habían recogido mediante seguimiento ocular (resumen 2) .
En resumen, este estudio demostró que una red neuronal artificial puede utilizarse eficazmente para detectar carcinomas de células basales a partir de imágenes digitalizadas de preparaciones histológicas de cortes. Es una confirmación más de que los métodos de aprendizaje automático tienen potencial para aumentar la precisión diagnóstica en el campo de la patología digital y descubrir patrones de clasificación desconocidos hasta ahora. Además del diagnóstico de lesiones cutáneas no melanocíticas, las aplicaciones de la IA también pueden utilizarse para la detección de melanomas malignos (recuadro).
Congreso: Grupo de Trabajo sobre Investigación Dermatológica 2021
Literatura:
- Schaaf N: Redes neuronales: una mirada a la caja negra, 14 de enero de 2020, www.informatik-aktuell.de, (última consulta: 14.05.2021)
- Teske S, Beise U: Hauttumoren, Última actualización: 02/2021, www.medix.ch (fecha de consulta: 14.05.2021).
- Kimeswenger S, et al.: Las redes neuronales artificiales y los patólogos reconocen los carcinomas de células basales basándose en diferentes patrones histológicos. P063, Investigación Traslacional Premios ADF de Dermatología, Reunión Anual de la ADF 6.3.2021
- Kimeswenger S, et al: Mod Pathol 2021; 34 : 895-903.
- Jutzi TB, Brinker TJ: Dtsch Arztebl 2020; 117(24).
- Centro Alemán de Investigación del Cáncer, www.dkfz.de/de/digitale-biomarker (última consulta: 14.05.2021)
- Cerci, FB, et al: An Bras Dermatol [online] 2020; 95 (5): 594-601.
DERMATOLOGIE PRAXIS 2021; 31(3): 32-33 (publicado el 1.6.21, antes de impresión).
