Aplicación del Deep Learning en la imagen radiológica y patológica del cáncer de pulmón

Introducción

El cáncer de pulmón es una enfermedad que puede producirse por tabaco, efectos secundarios de fármacos, dietas no saludables, genética, entre otros.  Dada la alta tasa de mortalidad, el tiempo de tratamiento y su alto costo, es importante contar con un diagnóstico temprano así como una predicción precisa. En los últimos años la implementación de la tecnología en el diagnóstico de cáncer de pulmón ha demostrado aumentar su precisión. En especial, el Deep Learning en el área de salud se está aplicando en el diagnóstico de imagen, patología digital, estimación de eventuales hospitalizaciones, desarrollo de medicamentos, clasificación de células tumorales y colaboración con médicos en el diagnóstico.

El Deep Learning ha ayudado a mejorar la detección temprana, diagnóstico y pronóstico del cáncer de pulmón. Esto se debe en su mayoría a las actualizaciones de investigaciones biomédicas, la incorporación de análisis estadísticos avanzados y los diversos mecanismos del Machine Learning. En general estos mecanismos engloban regresiones como la proporcional de Cox, estimadores de Kaplan Meier y pruebas de rangos logarítmicos. Además, se consideran los datos clínicos como el diagnóstico, tipo y grado de los tumores, como base principal. En particular, debido al incremento del número de pacientes con cáncer de pulmón, se ha obtenido más información y datos multiómicos que se pueden utilizar para las predicciones.

Deep Learning y producción de imágenes

El papel de las imágenes en el diagnóstico es destacable. Últimamente los avances más importantes se han logrado debido a la incorporación de redes neuronales convolucionales (CNN) y redes neuronales recurrentes (RNN). La primera, se ha usado para reconocer y clasificar imágenes, procesamiento del NLP y búsqueda de datos secuenciales. Específicamente, ha sobresalido en clasificaciones de casos de cáncer de piel, detección patológica, estudios de la morfometría para diferenciar células cancerosas de las normales y más. Gracias a estas redes, se ha facilitado el proceso de análisis de los datos de imagen obtenidos por las técnicas de diagnóstico del cáncer de pulmón incluyendo las ecografías, resonancias magnéticas, tomografías computarizadas y radiografías.

Aplicación del Deep Learning en el diagnóstico y detección del cáncer de pulmón

Una de las principales conveniencias de la CNN es su capacidad de obtención de elementos espaciales de datos, como la detección de bordes y distribución de color de las imágenes. En la actualidad, se está estudiando un posible sistema híbrido entre una CNN bidimensional (que es la tradicional) en conjunto con una CNN 3D. Esta última tiene funciones similares a la bidimensional, sin embargo, se encarga de perfeccionar la adquisición de los datos espectrales. Por ello, se ha propuesto su uso para conocer los factores esenciales de las imágenes de tomografía computarizada y así detectar con exactitud los nódulos pulmonares malignos.

Asimismo, se plantearon estrategias para disminuir el trabajo de los radiólogos al entrenar la red con información etiquetada. Para esto, se etiquetaría un vóxel para determinar la posición central del nódulo y su superficie transversal más grande.

Finalmente, el modelo de riesgo proporcional de Cox ha demostrado ser de utilidad en los análisis del cáncer. Como principio, hace una comparación de factores y datos clínicos de pacientes que desarrollaron tumores. Con esta información, el modelo se utiliza como una base de salida para generar una red neuronal que evalúe el pronóstico de cáncer y prediga la tasa de supervivencia.

Traducido y adaptado de: H. Wang and L. Xing, «Deep Learning’s Application on Radiology and Pathological Image of Lung Cancer: A Review,» 2021 International Conference on Information Technology and Biomedical Engineering (ICITBE), 2021, pp. 299-303, doi: 10.1109/ICITBE54178.2021.00071