Machine learning para prevenir agresividad de cancer de próstata

¿Cómo usar los datos disponibles para detectar con aprendizaje automatizado la agresividad del cáncer de Próstata? Esta es la pregunta que mueve una de las líneas de investigación de Paola Caprile, Directora del Magíster de Física Médica de la UC. La Física Médica es un área de la ciencia innovadora en el país, que tiene, como fin último, mejorar la salud de las personas, ya sea optimizando la calidad de los procedimientos de diagnóstico o tratamiento médicos actuales, como desarrollando las técnicas de la medicina personalizada del futuro próximo.  

Si bien es considerada un área de la Física Aplicada, es altamente interdisciplinaria y se desarrolla en permanente colaboración con biólogos, médicos, matemáticos, ingenieros y químicos. La Facultad de Física de la Universidad Católica utiliza diversas herramientas para abordar problemas críticos de salud, uno de ellos, el aprendizaje automatizado (AA). Éste se basa en algoritmos que permiten "aprender" de los datos, en un proceso de entrenamiento, sin la necesidad de programar este aprendizaje de forma explícita.  

La gran cantidad de información asociada al diagnóstico y tratamiento de los pacientes, incluyendo fichas clínicas, imágenes médicas en distintas modalidades y etapas del diagnóstico o tratamiento, así como información de diversos biomarcadores, han facilitado la incorporación de estos algoritmos automatizados en el tratamiento de pacientes oncológicos.   

“Encontrar un buen poder predictivo permitiría predecir si el cáncer de próstata de un paciente es de alta o baja agresividad, sin la necesidad de realizar procedimiento invasivo, como una biopsia". Paola Caprile, directora Magíster Física Médica UC

El objetivo principal de estas aplicaciones es el de convertirse en herramientas de apoyo en las decisiones médicas, con respecto al diagnóstico y tratamiento de los pacientes. En los últimos años, el campo de la radiología ha vivido una revolución producto de la incorporación de múltiples aplicaciones de AA en las imágenes médicas.  

En colaboración con la Dra. C. Besa y un equipo multidisciplinario, la investigadora Paola Caprile está desarrollando un modelo radiómico para predecir la agresividad del cáncer de próstata de forma no invasiva, utilizando la información proveniente de imágenes multiparamétricas de resonancia nuclear magnética (RM), en particular usando muchas características (“radiomic features”) que se extraen de dichas imágenes (aplicando funciones matemáticas, transformaciones, etc.) y que tienen el potencial de identificar patrones, en este caso en la zona del tumor, que pasarían inadvertidos al ojo humano.  

"En el estudio retrospectivo, hemos obtenido ya resultados preliminares interesantes, los cuales serán evaluados luego de forma prospectiva.  Que se encuentre un buen poder predictivo, que eventualmente (si es validado correctamente) permitiría predecir si el cáncer de próstata de cierto paciente es de alta o baja agresividad, sin la necesidad de realizar procedimiento invasivo, como una biopsia. La agresividad debe ser evaluada cuando se realiza el diagnóstico ya que las decisiones acerca del tratamiento en particular del paciente requieren de esta información.  

Por otro lado, con respecto a la terapia, estamos estudiando si es que la información obtenida de imágenes de RM, así como de los datos clínicos de pacientes que reciben quimioterapia neoadyuvante, permiten predecir qué pacientes presentarán luego una respuesta patológica completa al tratamiento", explica la investigadora.  

Como herramienta el aprendizaje automatizado ofrece un enorme potencial de aplicación en medicina que permite complementar el trabajo de los científicos en el establecimiento de modelos predictivos que integren información clínica para seguir avanzando hacia un nuevo paradigma de medicina personalizada.