La cara cambiante del diagnóstico del cáncer: del análisis de imagen computacional a la biología de sistemas.

Carolina Vargas Jiménez

Hospital Clínico de Salamanca, Salamanca; R4

dianacarolina_vj@hotmail.com

@caroVJ87

Título de la revisión: La cara cambiante del diagnóstico del cáncer: del análisis de imagen computacional a la biología de sistemas.

Artículo original: Kiessling F. The changing face of cancer diagnosis: From computational image analysis to systems biology. European Radiology. 2018, 28: 3160–3164.

DOI:  https://doi.org/10.1007/s00330-018-5347-9

Sociedad:   European Society of Radiology. (@myESR)

Palabras clave: N/A.

Abreviaturas y acrónimos utilizados: RM (resonancia magnética), TC (tomografía computarizada

Línea editorial del número: En su publicación mensual, la revista hace entrega de un total de 19 artículos originales, la sección dominante es la radiología mamaria con un total de cinco publicaciones. Especial atención a la guía para el diagnóstico de leiomiomas uterinos mediante RM, publicada por la Sociedad Europea de Radiología Urogenital como resultado de un consenso de expertos en el marco del Congreso Europeo de Radiología celebrado en 2017. De acceso libre, con una pictografía destacable, información sobre parámetros de adquisición de imagen e incluso con una tabla orientativa sobre el método de informe, resulta casi de primera mano a la hora de interpretar estos estudios.

Motivo para la selección: la tecnología evoluciona en función del análisis de datos y herramientas fundamentadas en la inteligencia artificial, conceptos que se han integrado incluso en nuestra cotidianidad, es evidente que líneas de investigación médica apunten a este concepto con el objetivo de optimizar herramientas de diagnóstico y tratamiento; dentro de las especialidades médicas, la nuestra es quizás la más sujeta a los avances tecnológicos, por esto he seleccionado este artículo, al tratarse de una especialidad dinámica, debemos conocer cuales son las futuras directrices, los cambios y retos que se plantean en la evolución del diagnóstico por imagen.

Resumen:

Introducción:

La complementariedad y la competitividad de los biomarcadores, la histopatología y las características de la imagen, así como las consecuencias de la digitalización y la automatización en el análisis e interpretación de la imagen, respaldarán y modificarán el diagnóstico y la terapia del cáncer. Además, los crecientes vínculos entre las estrategias de investigación y las conductas terapéuticas conformarán la cara de las profesiones médicas diagnósticas como la radiología, la medicina nuclear, la química analítica y la anatomía patológica.

Análisis de imagen automatizada:

El diagnóstico asistido por computador ha sido ampliamente implementado en el campo de la química clínica y en la electrocardiografía, aunque la aprobación del diagnóstico automatizado, aún depende del médico. La argumentación de que el análisis computarizado en áreas como la patología, la radiología y las imágenes de medicina nuclear es mucho más complejo, se basa en la necesidad de considerar los antecedentes clínicos y la variabilidad interindividual. Sin embargo y teniendo en cuenta el rápido desarrollo de la inteligencia artificial, puede que en un futuro no lejano, el software realice de manera fiable propuestas de diagnóstico. Por ejemplo, se ha demostrado que las soluciones comerciales de software, ya son capaces de detectar el 89% de los cánceres en tomosíntesis digital de mama y la mayoría de los nódulos pulmonares en TC.

Debido a la posible pérdida de información durante la reconstrucción de la imagen, el software de inteligencia artificial, puede extraer datos al nivel de “row data”, mejorando potencialmente el rendimiento diagnóstico, por lo que se presume que el porcentaje de acierto será optimizado mediante esta tecnología, lo que reducirá notablemente la carga de trabajo de los profesionales.

Competitividad y complementariedad de los biomarcadores líquidos:

Si se considera la población sujeta a tamizaje (mama, próstata, colon) los biomarcadores sanguíneos y urinarios son preferidos debido a su accesibilidad, costo y aceptabilidad por parte de los pacientes. Existen grandes avances en el análisis proteómico y múltiples estudios sobre espectrometría de masa, la monitorización selectiva de reacción, monitorización de reacción múltiple, ensayo por inmunoabsorción ligado a enzimas (ELISA), entre otros.

Se puede esperar que los biomarcadores líquidos se conviertan en las herramientas más importantes para el cribado poblacional. Si bien, en la actualidad aún adolecen de sensibilidad y especificidad insuficientes, parece ser cuestión de tiempo hasta que se identifiquen marcadores más eficientes y posibles combinaciones que optimicen el diagnóstico, lo anterior, considerando el aumento del conocimiento de la fisiopatología e inmunología del cáncer. A largo plazo, esto puede desplazar a la imagen como segunda línea de diagnóstico, donde jugará un papel más importante en la estadificación del tumor, la dirección de la biopsia, la guía quirúrgica y en la toma de decisiones con respecto a las intervenciones terapéuticas físicas y farmacológicas.

En la mayoría de los tumores no sólidos, por ejemplo, las biopsias líquidas y los análisis de biomarcadores en suero ya están proporcionando los datos de respuesta de terapia a tratamiento más importantes. Esto significa que las imágenes no invasivas se realizarán de forma más selectiva, por ejemplo, en el control de tumores que crecen en lugares críticos, en el asesoramiento de metástasis con tasas de crecimiento impredecibles y para adjudicar casos poco claros. Además, las imágenes continuarán usándose para la evaluación de complicaciones de enfermedades tumorales y sus terapias, por ejemplo trombosis venosa o abscesificación tumoral entre otras.

Radiogenómica:

Existen varias maneras de extraer la información de imágenes reconstruidas. Por lo general, hay varias características claramente definidas que guían las decisiones de los médicos y la incertidumbre residual se reduce por la intuición, así pues, las cualidades establecidas son aquellas que comprendemos fisiopatológicamente, mientras que muchas otras son responsables del reconocimiento de un patrón subconsciente y son por lo tanto desconocidas. Un ordenador puede extraer fácilmente numerosas características de imagen de una lesión, lo que hace que el patrón en la memoria del médico sea matemáticamente descriptible y cuantificable. Si la máquina, tiene acceso a una gran base de datos, puede comparar estas características con numerosos casos de referencia y, por lo tanto, ser teóricamente superior a un humano. Sin embargo, este sistema también necesita aprender a ponderar las características extraídas y ponerlas en el contexto clínico. En cierta medida, esto se puede lograr a través de algoritmos de aprendizaje automatizado (por ejemplo, redes neuronales); sin embargo, la adición de “preconocimiento” (por ejemplo, información sobre que los márgenes tumorales mal definidos y realce temprano tras la administración contraste, son más indicativos de malignidad) también contribuirá en gran medida a un mejor rendimiento del software.

En este contexto, cabe destacar que el éxito del programas automatizados depende en gran medida de la calidad de las características de la imagen y, por lo tanto, se debe dedicar un esfuerzo significativo en la normalización y validación de los datos de imagen.

Las decisiones terapéuticas generalmente se toman al considerar información derivada de biomarcadores sanguíneos, imágenes no invasivas e histopatología. Las diferentes herramientas diagnósticas son recopiladas e interpretadas por un médico o discutidas en una junta interdisciplinaria de tumores. No obstante, hay muy poco análisis de datos de diagnóstico estructurado y colectivo por parte de las diferentes disciplinas médicas, lo que dificulta el desarrollo de un concepto integral. Esto va a cambiar con la amplia implementación de soluciones de software que permiten el análisis de datos agrupados y la toma de decisiones basadas en datos ómicos. En este contexto, el término radiogenómica se usa para describir el análisis jerárquico integrado de las características de la imagen en combinación con otros datos ómicos (por ejemplo, genómica, proteómica, lipidómica).

Centros de diagnóstico integrales y el perfil laboral cambiante de las profesiones médicas de diagnóstico:

Como consecuencia del análisis de imagen automatizado y el uso creciente de biomarcadores líquidos, se requerirá menos personal para analizar los datos diagnósticos y será más fácil subcontratar dicho servicio. Por otro lado, el manejo de los datos de diagnóstico se volverá más complejo e integrador. Por ejemplo, ya en los centros de referencia, se utilizan cada vez menos biopsias para confirmar la presencia de cáncer, en cambio, progresivamente es fundamental obtener información sobre aberraciones celulares (genéticas) que son relevantes para seleccionar terapias, por lo tanto, la superposición en los campos de competencia de diferentes disciplinas de diagnóstico aumentará y su relevancia para la terapia se fortalecerá.

Esto requiere una educación más amplia e integradora en las diferentes especializaciones de diagnóstico médico, probablemente se establecerán centros de diagnóstico integrales próximos o incluso como parte de centros integrales contra el cáncer. Estos centros de diagnóstico integrales serán responsables de la estandarización en la adquisición de datos de diagnóstico, la instalación de grandes bases de datos de referencia, la extracción de características de imagen (cuantitativas), la evaluación de la competitividad y la complementariedad de información de diagnóstico derivada de radiología, medicina nuclear, patología y laboratorio clínico, con el objetivo de agrupar e interpretar los datos. En este contexto, pueden desarrollarse nuevas profesiones médicas de diagnóstico o especializaciones que sean responsables de manejar la información diagnóstica multiparamétrica de una o varias entidades tumorales en las diferentes disciplinas (por ejemplo, especialistas para la gestión diagnóstica de cánceres sólidos).

Además, con los lazos más estrechos entre el diagnóstico y la terapia, aumentará la participación de los médicos radiólogos y de medicina nuclear en las decisiones e intervenciones terapéuticas. Estos incluirán la personalización guiada por imágenes de terapias combinadas (drogas) así como intervenciones guiadas por imágenes tales como biopsia tumoral precisa, ablación tumoral o radioterapia interna. Como consecuencia, los médicos especializados en disciplinas de diagnóstico se enfrentan al desafío de redireccionar sus competencias y apoyar los cambios necesarios para alcanzar el próximo nivel de diagnóstico y terapia del cáncer.

Valoración personal:

Puntos fuertes: se trata de un artículo corto, de lectura rápida y fácil, incorpora una ilustración que presenta los retos estructurales para un enfoque de diagnóstico integrado, así mismo presenta una tabla resumen en donde se mencionan los puntos a desarrollar para cambiar el diagnóstico de cáncer y los perfiles de trabajo de las disciplinas relacionadas.

La lectura me resultó amena y muy novedosa dado que usualmente evitamos los artículos que carecen de revisiones bibliográficas y pictográficas, no obstante, creo que permanecer informados sobre la dinámica cambiante de nuestra especialidad es fundamental.

Antes de realizar esta lectura, me planteaba (con algo de recelo) el imaginario de que la inteligencia artificial reemplazaría en buena parte la actividad laboral del radiólogo, a posteriori considero que se trata de una herramienta en constante desarrollo, prácticamente inherente a nuestra especialidad, recordemos que hasta hace no mucho valorabamos estudios no digitalizados, no existían sistemas de almacenamiento y carecíamos de reconstrucciones multiplanares, todas estas herramientas se constituyen en procesos cambiantes que facilitan nuestro quehacer, por lo tanto, como profesionales del diagnóstico nuestro papel debe ser integrador, se requerirá que el médico consolide la información adquirida y transmita dicha información al médico, nuestra formación con mucha probabilidad se redireccionará y tendremos que estar atentos al desarrollo de estas competencias.

Puntos débiles: se echan en falta más referencias bibliográficas sobre el desarrollo de los sistemas de diagnóstico computarizado.