La combinación de imágenes por ultrasonido con un algoritmo de aprendizaje automático de inteligencia artificial permitiría visualizar de forma rápida, efectiva y económica el riesgo de cáncer de tiroides, según un nuevo estudio.
Los nódulos tiroideos son pequeños bultos que se forman dentro de la glándula tiroides y son bastante comunes en la población general, con una prevalencia de hasta el 67%. La gran mayoría de los nódulos tiroideos no son cancerosos y no causan síntomas. Sin embargo, actualmente hay pautas limitadas sobre qué hacer con un nódulo cuando el riesgo de cáncer es incierto.
“Actualmente, los ultrasonidos pueden decirnos si un nódulo parece sospechoso, y luego se toma la decisión de realizar una biopsia con aguja o no”, explicó Elizabeth Cottril, otorrinolaringóloga de la Universidad Thomas Jefferson y líder clínica del estudio. “Pero las biopsias con aguja na solo actúan como una mirilla, no nos dan la imagen completa. Como resultado, algunas biopsias arrojan resultados no concluyentes sobre si el nódulo puede ser maligno o canceroso”, agregó.
En caso de que el examen de las células de una biopsia con aguja no sea concluyente, la muestra se puede analizar a través de diagnósticos moleculares para determinar el riesgo de malignidad. Si el resultado es positivo por ser de alto riesgo, la tiroides puede extirparse quirúrgicamente, según consignó Europa Press. Sin embargo esta prueba no es tan accesible.
Para poder mejorar la capacidad predictiva del diagnóstico de primera línea como el ultrasonido, los investigadores de Jefferson analizaron el aprendizaje automático a través de los modelos de inteligencia artificial desarrollados por Google. "El objetivo de nuestro estudio era ver si el aprendizaje automático podía utilizar la tecnología de procesamiento de imágenes para predecir el riesgo genético de los nódulos tiroideos, en comparación con las pruebas moleculares", señaló Kelly Daniels, otro de los investigadores.
Las pruebas se hicieron en 121 pacientes que se sometieron a una biopsia con aguja na guiada por ultrasonido con pruebas moleculares posteriores. Del total de 134 lesiones, 43 nódulos se clasificaron como de alto riesgo y 91 como de bajo riesgo, según un panel de genes. Para eso, se usó un conjunto preliminar de imágenes con clasificaciones de riesgo conocidas para entrenar el modelo o algoritmo.
A partir de este banco de imágenes etiquetadas, el algoritmo utilizó tecnología de aprendizaje automático para seleccionar patrones asociados con nódulos de alto y bajo riesgo, respectivamente. Usó estos patrones para formar su propio conjunto de parámetros internos que podrían usarse para clasificar futuros conjuntos de imágenes.
Los investigadores encontraron que su algoritmo funcionó con un 97% de especificidad y un 90% de valor predictivo positivo, lo que significa que el algoritmo leerá el ultrasonido como "benigno" al 97% de los pacientes que realmente tienen nódulos benignos, y el 90% de malignos o "positivo".
"Los nódulos son verdaderamente positivos según la clasificación del algoritmo. La alta especificidad es indicativa de una baja tasa de falsos positivos. Esto significa que si el algoritmo lee un nódulo como 'maligno', es muy probable que sea verdaderamente maligno. La precisión general del algoritmo fue del 77,4%", concluyeron.