Investigadors del Grup de Radiòmica del VHIO, que forma part del Campus Vall d’Hebron, conjuntament amb investigadors de la Unitat de Neuroradiologia del Hospital Universitari de Bellvitge (HUB), han desenvolupat l’eina DISCERN basada en l’aprenentatge de patrons mitjançant models d’intel·ligència artificial a partir de la informació que proporciona la ressonància magnètica estàndard. DISCERN supera els mètodes convencionals per guiar el diagnòstic de tumors cerebrals. Els resultats d’aquest estudi han estat publicats a la revista científica Cell Reports Medicine.
Diagnòstic diferencial de tumors cerebrals
El 70% dels tumors cerebrals malignes són d’un d’aquests tres tipus: glioblastoma multiforme, metàstasi cerebral de tumors sòlids i limfoma primari del sistema nerviós. Cadascun requereix un enfocament terapèutic diferent per la qual cosa és imprescindible diagnosticar-los de forma correcta i inequívoca.
“El diagnòstic diferencial no invasiu dels tumors cerebrals es basa actualment en l’avaluació d’imatge de ressonància magnètica abans i després d’administrar contrast. Tot i això, un diagnòstic definitiu moltes vegades requereix intervencions neuroquirúrgiques que comprometen la qualitat de vida dels pacients” explica la Dra. Raquel Pérez-López, cap del Grup de Radiòmica del VHIO i investigadora sènior de l’estudi.
“Aquest treball és el fruit d’una línia d’investigació de més de cinc anys en la qual hem identificat innovadors biomarcadors d’imatge de perfusió per ressonància magnètica útils en el diagnòstic diferencial dels tumors cerebrals. En aquest projecte s’integra el coneixement de diversos treballs previs amb mètodes d’intel·ligència artificial, la qual cosa deriva en un software que automatitza la classificació diagnòstica prequirúrgica amb molt bona precisió, alhora que facilita la seva aplicabilitat clínica amb una interfície amigable per als clínics”, afirma el Dr. Albert Pons-Escoda, neuroradiòleg clínic i investigador de la Unitat de Neuroradiologia de l’Hospital Universitari de Bellvitge i coautor de l’estudi.
Aquesta nova eina es basa en l’aprenentatge profund, un mètode d’intel·ligència artificial, i aprofita tota la informació espacial i temporal de la ressonància magnètica estàndard per a identificar patrons de comportament específics en la imatge de cada tumor.
“L’aprenentatge profund consisteix a ensenyar a la màquina quines són les característiques de cadascun dels tumors que trobem a les ressonàncies magnètiques de pacients ja diagnosticats” explica Alonso García-Ruiz, investigador predoctoral del Grup de Radiòmica del VHIO i primer autor d’aquest estudi. “Per exemple si ensenyem a l’ordinador milers d’imatges de gossos i gats, aprendrà les característiques que defineixen i distingeixen gossos de gats i en veure una imatge nova podrà diferenciar si es tracta d’un o altre”.
En aquest cas, les unitats d’aprenentatge són els vòxels, la unitat mínima de volum que podem estudiar a les imatges de ressonància magnètica. És l’equivalent al píxel, però en 3D.
“DISCERN ha après les característiques d’aquests tres tipus diferents de tumor cerebral a partir de 50.000 vòxels de 40 pacients diagnosticats”, explica la Dra. Raquel Pérez-López. “Hem validat l’eina en més de 500 casos addicionals i comprovem que el 78% dels diagnòstics que donava l’eina eren correctes, una proporció superior a l’obtinguda amb els mètodes convencionals utilitzats fins avui”.
“Es tracta d´una eina de suport al diagnòstic que ofereix una informació de gran utilitat per guiar les decisions mèdiques de les unitats multidisciplinàries pel que fa a la necessitat i el tipus de cirurgia requerida per confirmar el diagnòstic” afirma el Dr. Carles Majós, neuroradiòleg clínic i investigador de la Unitat de Neuroradiologia de l’Hospital Universitari de Bellvitge i coautor del estudi.
El Grup de Radiòmica del VHIO, en estreta col·laboració amb la unitat de neuroradiologia de l’HUB, ha desenvolupat un programari amb accés obert Diagnosi In Susceptibility Contrast Enhancing Regions for Neuroncology (DISCERN) de manera que l’eina pugui utilitzar-se a qualsevol centre i continuar perfeccionant el sistema de diagnòstic.
Els resultats que publica avui la revista Cell Reports Medicine obren la porta a continuar amb el desenvolupament d’aquesta eina i validar-la amb més pacients per tal de poder portar-la a la pràctica clínica.
En aquest estudi hi han col·laborat la Unitat de Neurooncologia de l’IDIBELL (Barcelona), els Serveis de Radiologia de l’Hospital Universitari Bellvitge, de l’Hospital Clínic de Barcelona i el Departament de Radiologia de HT Medica (Andalusia), el Departament de Medicina Radiològica i Ciències Aplicades i el Departament de Bioenginyeria a la Universitat de Califòrnia (La Jolla, San Diego).
Aquest treball s’ha realitzat gràcies al suport de la Fundació CRIS Contra el Càncer, la Fundació FERO i la Fundació “la Caixa” que financen a través de diverses iniciatives la investigació del Grup de Radiòmica del VHIO.
Referència
Alonso Garcia-Ruiz, Albert Pons-Escoda, Francesco Grussu, Pablo Naval-Baudin, Camilo Monreal-Aguero, Gretchen Hermann, Roshan Karunamuni, Marta Ligero, Antonio Lopez-Rueda, Laura Oleaga, Manuel Álvaro Berbís, Alberto Cabrera-Zubizarreta, Teodoro Martin-Noguerol, Antonio Luna, Tyler M. Seibert, Carlos Majos, Raquel Perez-Lopez*. An accessible deep learning tool for voxel-wise classification of brain malignancies from perfusion MRI. Cell Reports Medicine http://dx.doi.org/10.2139/ssrn.4559395
