Artículo original: Singh SB, Sarrami AH, Gatidis S, Varniab ZS, Chaudhari A, Daldrup-Link HE. Applications of Artificial Intelligence for Pediatric Cancer Imaging. AJR Am J Roentgenol. 2024 Aug;223(2):e2431076.
Palabras clave: artificial intelligence, cancer, machine learning, pediatrics, radiology.
Abreviaturas y acrónimos utilizados: inteligencia artificial (IA), tomografía computarizada (TC), tomografía por emisión de positrones (PET)
Línea editorial del número: American Journal of Roentgenology es la revista oficial de la American Roentgen Ray Society (ARRS). Es una revista de publicación mensual con más de 100 años de historia. Se publican artículos con contenido de utilidad clínica, artículos de investigación y artículos con objetivo docente y acceso a créditos de formación continuada de todas las sub-especialidades de Radiología.
En su volumen del mes de agosto, presentan varios artículos muy interesantes de los que me han llamado la atención, a parte del revisado en este documento, uno sobre la detección temprana del adenocarcinoma ductal pancreático (Imaging for Early Detection of Pancreatic Ductal Adenocarcinoma: Updates and Challenges in the Implementation of Screening and Surveillance Programs) y otro sobre las miositis, sus características en resonancia magnética y sus imitadores (Myositis and Its Mimics: Guideline Updates, MRI Characteristics, and New Horizons).
Motivos para la selección: elegí este artículo porque considero que tanto la inteligencia artificial, así como la oncología pediátrica son dos campos que actualmente están experimentando un gran desarrollo. Debido a la creciente complejidad de las enfermedades pediátricas, sumado a las dificultades en la investigación en esta población, considero que los radiólogos debemos tener una mejor comprensión de los avances tecnológicos y el impacto potencial que pueden tener en los entornos clínicos pediátricos.
Resumen:
La inteligencia artificial (IA) ha transformado muchos aspectos de la atención médica, en particular en la radiología diagnóstica de adultos, donde ha facilitado tareas como la adquisición de imágenes, el control de calidad, la segmentación de tumores y la interpretación de imágenes. Sin embargo, su adopción en la oncología pediátrica sigue siendo limitada debido a varios desafíos, entre ellos la falta de datos suficientes, la diversidad anatómica de los niños y la rápida evolución de las tecnologías de imagen.
El cáncer pediátrico es relativamente raro en comparación con el cáncer en adultos, lo que limita la disponibilidad de grandes conjuntos de datos estandarizados que puedan ser utilizados para entrenar modelos de IA. Además, el mercado pediátrico es más pequeño que el mercado adulto, lo que desincentiva el desarrollo de aplicaciones comerciales específicas para la población infantil. Aunque algunos algoritmos de IA aprobados para pacientes adultos pueden aplicarse en niños, su eficacia es variable.
Desafíos para la IA en el Cáncer Pediátrico
Uno de los principales obstáculos para la adopción de IA en la oncología pediátrica es la falta de datos de imágenes médicas pediátricas accesibles y estandarizadas. De los 208 conjuntos de datos de imágenes de cáncer publicados en el Archivo de Imágenes del Cáncer (The Cancer Imaging Archive) a marzo de 2024, solamente ocho corresponden a datos pediátricos. La mayoría de los estudios sobre IA en la oncología pediátrica han sido limitados en tamaño, lo que afecta la capacidad de los modelos para generalizarse a diferentes tipos de tumores y anatomías.
El tamaño reducido del mercado pediátrico también limita las inversiones en la creación de algoritmos específicos para esta población. Esto se traduce en una menor cantidad de productos de IA dirigidos a la oncología pediátrica. A marzo de 2024, sólo el 3% de los algoritmos de IA aprobados por la FDA para el análisis de imágenes médicas se aplican en pediatría, y ninguno está específicamente diseñado para el diagnóstico y tratamiento de cánceres en niños.
Aplicaciones Actuales de la IA en la Imagenología Pediátrica
A pesar de los desafíos, la IA ha mostrado avances significativos en varias áreas de la imagenología pediátrica, incluidas la adquisición de imágenes, la mejora de la calidad, la segmentación de órganos y tumores, el diagnóstico y el monitoreo de la respuesta al tratamiento.
Adquisición y Procesamiento de Imágenes
Uno de los usos más prometedores de la IA en la oncología pediátrica es la reducción de la exposición a la radiación en los estudios radiológicos, como las tomografías computarizadas (TC) y las tomografías por emisión de positrones (PET). Dado que los niños son más susceptibles a los efectos de la radiación, la reducción de la dosis de radiación sin comprometer la calidad de la imagen es crucial. Algoritmos de IA pueden mejorar las imágenes de dosis bajas para hacerlas comparables a las imágenes de dosis estándar, lo que permite una menor exposición para los pacientes pediátricos.
Algunos algoritmos también han sido desarrollados para mejorar las imágenes de resonancia magnética (RM) de baja resolución, permitiendo tiempos de escaneo más cortos sin perder calidad diagnóstica. Estos avances no solo reducen el tiempo de exposición de los niños a procedimientos que pueden ser incómodos o requerir sedación, sino que también mejoran la eficiencia en el manejo clínico.
Segmentación de Imágenes
La segmentación de órganos y tumores es una tarea clave en el tratamiento del cáncer, y los algoritmos de IA han mostrado resultados prometedores en este campo. En la oncología pediátrica, sin embargo, la variabilidad en las anatomías infantiles y las diferencias en los protocolos de imagen entre hospitales han limitado el uso de estos algoritmos. Aun así, algunos estudios han demostrado que las técnicas de aprendizaje profundo, como las redes neuronales convolucionales, pueden segmentar con precisión tumores cerebrales pediátricos, así como otros tipos de cáncer.
Para mejorar la segmentación de tumores en pediatría, los investigadores han comenzado a utilizar transferencias de modelos entrenados en adultos. Este enfoque permite que los algoritmos aprendan a partir de grandes conjuntos de datos adultos y luego se ajusten a las características específicas de las imágenes pediátricas. Sin embargo, este enfoque plantea desafíos debido a las diferencias anatómicas significativas entre niños y adultos, lo que requiere un ajuste cuidadoso del modelo.
Diagnóstico y monitorización del Tratamiento
La IA también puede desempeñar un papel fundamental en el diagnóstico y el seguimiento del tratamiento de los cánceres pediátricos. Los modelos de IA son capaces de identificar características sutiles en las imágenes médicas que pueden pasar desapercibidas para los radiólogos humanos, mejorando así la precisión del diagnóstico. Un aspecto prometedor es el uso de IA para la detección temprana de tumores, lo que puede influir en el pronóstico del paciente al permitir que el tratamiento comience lo antes posible.
La IA también puede ser utilizada para realizar análisis más detallados de los cambios en las imágenes, detectando variaciones en el tamaño, la forma o la textura del tumor durante el curso del tratamiento. Esto es particularmente útil en el monitoreo de la respuesta a terapias como la quimioterapia o la radioterapia. De esta forma, los médicos pueden ajustar los planes de tratamiento basándose en los datos objetivos generados por la IA, optimizando así las decisiones clínicas.
En algunos estudios, se ha demostrado que la IA puede predecir la respuesta a ciertos tratamientos incluso antes de que sea visible en las imágenes convencionales, permitiendo ajustes tempranos en el tratamiento si es necesario. Esto no solo mejora los resultados clínicos, sino que también reduce el riesgo de efectos secundarios graves y minimiza los costos asociados con terapias innecesarias.
Oportunidades Futuras
A pesar de los avances, todavía hay un largo camino por recorrer para que la IA se implemente de manera efectiva en la práctica clínica diaria de la oncología pediátrica. Uno de los principales desafíos es la falta de estandarización en los protocolos de imagen, que dificulta la creación de modelos generalizables. Para superar este obstáculo, se están promoviendo iniciativas de colaboración entre múltiples instituciones para compartir datos y establecer protocolos de imagen homogéneos.
Otra oportunidad clave es la utilización de la transferencia de aprendizaje, en la cual los modelos de IA entrenados en datos de adultos se ajustan para su uso en niños. Esta técnica ha mostrado resultados prometedores, especialmente en el campo de la imagenología cerebral, donde los protocolos de imagen están relativamente estandarizados entre las poblaciones adultas y pediátricas. Sin embargo, es necesario continuar trabajando para adaptar estos modelos a las características específicas de los pacientes pediátricos.
El intercambio de datos y el desarrollo de repositorios centralizados para la IA en oncología pediátrica también son esenciales para el progreso del campo. La Iniciativa de Datos del Cáncer Infantil del Instituto Nacional del Cáncer y otros esfuerzos similares han comenzado a abordar esta necesidad mediante la creación de bases de datos públicas que contienen imágenes pediátricas de alta calidad, pero aún se requiere un esfuerzo continuo para mejorar la accesibilidad y el uso de estos datos.
Valoración personal
En mi opinión, el artículo explica muy bien por un lado la rápida evolución que está experimentando la IA y su gran potencial impacto en la medicina, y por otro lado la relativa poca atención y falta de desarrollo que se está realizando en este sentido en el campo de la oncología pediátrica. Considero particularmente valioso cómo el artículo aborda la necesidad de colaboración entre instituciones para superar las limitaciones de los datos y sugiere soluciones prácticas que podrían acelerar su evolución.
Es alentador ver el potencial tan grande que tiene este campo para mejorar significativamente los resultados en los pacientes pediátricos con cáncer, aunque claramente queda mucho por hacer para aprovechar todo el potencial de estas tecnologías.
Carlos Pérez Gámez
Hospital Universitario Nuestra Señora de Candelaria, R4.
c.perezgamez96@gmail.com
cbseram.com 
Deja un comentario