José Manuel Prats Montalbán, catedrático de la Universitat Politècnica de València en el departamento de Estadística e Investigación Operativa Aplicadas y Calidad y cofundador de Kenko Imalytics
La incorporación de la estadística avanzada al análisis de imagen médica está permitiendo extraer de la resonancia magnética información que hasta hace pocos años permanecía oculta en la propia imagen. En el cáncer de mama, este enfoque abre la puerta a obtener biomarcadores cuantitativos capaces de reflejar fenómenos fisiológicos relacionados con la vascularización o la densidad celular de los tejidos, a partir de secuencias de perfusión y de difusión, respectivamente.
Su utilidad no se limita a facilitar la identificación de lesiones, sino que puede contribuir también a caracterizarlas con mayor precisión, localizar las zonas de mayor agresividad intratumoral, y realizar un seguimiento más objetivo de su evolución y respuesta al tratamiento. El reto consiste en transformar millones de datos en información clara, reproducible y comprensible para el especialista, manteniendo siempre el criterio médico en el centro de la decisión.
Una aplicación concreta es la desarrollada por Kenko Imalytics a través de su plataforma Kenko Breast AI+, que genera biomarcadores de imagen de fácil y directa interpretación clínica. La innovación de Kenko Imalytics reside en el enfoque usado para el desarrollo de estos biomarcadores de imagen.
El reto consiste en transformar millones de datos en información clara, reproducible y comprensible para el especialista, manteniendo siempre el criterio médico en el centro de la decisión
No somos un simple visor de imágenes que ofrece mapas paramétricos de las características de las curvas de captación y lavado (en el caso de perfusión) o de difusión (en el caso de la difusión), ni tampoco un algoritmo de caja negra que con modelos Deep Learning de IA supervisada calcula un score de riesgo para cada paciente sin posibilidad de interpretar la razón del diagnóstico.
En Kenko Imalytics usamos modelos estadísticos avanzados de proyección sobre estructuras latentes (modelos de IA no supervisados) capaces de analizar los millones de píxeles que se registran en las secuencias de imágenes funcionales de perfusión y difusión registradas en cada paciente, integrando conocimiento fisiológico del comportamiento esperado de las curvas de captación/difusión en tejido sano y tumoral, proporcionando biomarcadores de imagen que están directamente ligados a cada uno de los fenómenos fisiológicos asociados tanto a los tejidos sanos como a aquellos susceptibles de lesión.
Y esto se hace ajustando un modelo por paciente, sin necesidad de tener que entrenar previamente modelos supervisados como los comúnmente usados en la IA dentro del mundo clínico, con miles/millones de pacientes, sin los problemas de sesgo o falta de representatividad, ni tampoco los problemas de generar cajas negras con predicciones asociadas a variables (características) difíciles o imposibles de entender, ya que vienen derivadas de modelos complejos de computación masiva. típicos en esos modelos de IA supervisada.
Esta tecnología puede facilitar un seguimiento más objetivo de la evolución de las lesiones y de su respuesta al tratamiento
En su lugar, los modelos estadísticos de proyección sobre estructuras latentes utilizados por la plataforma analizan las secuencias de resonancia magnética considerando cada píxel como una observación, y la evolución de las dinámicas de adquisición del contraste (en el caso de las secuencias de perfusión) como variables.
Una vez se ha formado la estructura de datos, es posible aplicar estos modelos estadísticos de proyección sobre estructuras latentes en nuestra plataforma, segregando las curvas de adquisición originales en una suma ponderada de los fenómenos fisiológicos reales existentes en las secuencias, así como de aquellos fenómenos artificiales introducidos por la propia máquina de resonancia magnética en los datos.
Ello aporta un valor añadido muy grande, ya que se filtra este ruido estructural, tales como los fantasmas en las secuencias de perfusión, obteniendo biomarcadores mucho más precisos que además están directamente asociados a unas curvas muy fáciles de interpretar gracias al filtrado de dicho ruido.
La convergencia entre estadística avanzada e imagen médica está abriendo una nueva etapa en la medicina de precisión
De esta manera, y a través de un proceso iterativo, es posible llegar a soluciones que reflejan las curvas reales fisiológicas asociadas a comportamientos sanos o malignos, o bien a ruidos estructurales (todo ello ligado a cada una de las pacientes, ya que las curvas, si bien son iguales a nivel conceptual, se adaptan ligeramente a las características de cada paciente); y, asociados a dichas curvas, los biomarcadores de imagen que reflejan en cada píxel la relevancia de cada uno de esos comportamientos.
Así, en el caso de una secuencia, e.g., de perfusión, un píxel susceptible de malignidad tendría valores cercanos al 1 para la curva biológica de malignidad (captación y lavado del contraste rápido) y próximos a 0 para el resto; mientras que en el caso de un píxel asociado a un tejido sano el valor cercano al 1 sería para la curva de captación progresiva, y próximos a 0 para el resto.
La plataforma proporciona además vistas axiales sagitales y coronales que permiten localizar de manera muy precisa las lesiones, e imágenes de MIP selectivo, que permiten desechar los cortes extremos mejorando en gran medida la visualización y detección de lesiones a nivel global.
Los modelos estadísticos permiten obtener biomarcadores más precisos al filtrar el ruido estructural de las secuencias de resonancia magnética
Asociadas a dichas localizaciones se presentan nuevas funcionalidades tales como el zoom o la medición del tamaño de las sesiones, lo cual hace la plataforma una herramienta muy útil a la hora de caracterizar las lesiones en cuanto a su tamaño y forma.
Teniendo todo esto en cuenta, parece evidente que la convergencia entre estadística avanzada y el de imagen está abriendo una nueva etapa en la medicina de precisión. Gracias a ello está siendo posible desarrollar herramientas que ya están ayudando a los profesionales sanitarios a comprender mejor la biología de cada lesión, reforzar la toma de decisiones clínicas y avanzar hacia una atención cada vez más personalizada, basada en la información que esconden las propias imágenes médicas.
