Métodos de Aprendizaje Automático para Biomarcadores Radiómicos Cuantitativos
En la búsqueda constante de tratamientos más personalizados y efectivos contra el cáncer, ha surgido un campo fascinante conocido como oncología de precisión . Esta estrategia busca adaptar las terapias a las características únicas de cada paciente y su tumor, maximizando el éxito y minimizando los efectos secundarios . Tradicionalmente, la investigación en oncología de precisión se ha centrado en el análisis molecular de los tumores a través de biopsias . Sin embargo, las biopsias tienen limitaciones importantes: solo ofrecen una instantánea de una parte del tumor, que puede ser muy heterogéneo espacial y temporalmente, y además, son invasivas y a menudo requieren repeticiones .
Aquí es donde la radiómica entra en escena como una prometedora alternativa no invasiva. La radiómica se basa en la idea de que las imágenes médicas, como las tomografías computarizadas (TC), contienen una gran cantidad de información valiosa sobre la fisiología y las características del tumor que pueden ser cuantificadas y analizadas. Gracias a los avances en la adquisición de imágenes de alta resolución y la potencia del procesamiento computacional, ahora podemos extraer y analizar un gran número de características radiómicas cuantitativas que describen la forma, la intensidad, la textura y otros aspectos del tumor.
Según los autores, los biomarcadores radiómicos cuantitativos se derivan del campo de la radiómica, el cual se define como un campo emergente que hipotetiza que las imágenes médicas proporcionan información crucial sobre la fisiología del tumor que puede ser explotada para mejorar el diagnóstico del cáncer .
Específicamente, la radiómica proporciona una cuantificación exhaustiva de los fenotipos tumorales mediante la extracción y el análisis de un gran número de características de imagen cuantitativas. Estas características cuantitativas buscan cuantificar las características fenotípicas del tumor, en las imágenes médicas, como las tomografías computarizadas (TC) en el contexto de este estudio .
Los autores señalan que el objetivo de identificar métodos óptimos de aprendizaje automático para aplicaciones radiómicas es un paso crucial hacia la obtención de biomarcadores radiómicos estables y clínicamente relevantes . Estos biomarcadores tienen el potencial de proporcionar una forma no invasiva de cuantificar y monitorear las características fenotípicas del tumor en la práctica clínica.
El verdadero potencial de la radiómica se desbloquea al combinarla con el aprendizaje automático (machine learning). El aprendizaje automático son métodos computacionales que permiten a las computadoras «aprender» de los datos para mejorar su rendimiento o hacer predicciones precisas . En el contexto de la radiómica, los algoritmos de aprendizaje automático pueden analizar las vastas cantidades de características extraídas de las imágenes para identificar patrones y construir modelos predictivos y pronósticos.
Un estudio reciente publicado en Scientific Reports investigó a fondo qué métodos de aprendizaje automático son los más adecuados para predecir la supervivencia de pacientes con cáncer de pulmón de células no pequeñas (CPCNP) utilizando características radiómicas extraídas de imágenes de TC pretratamiento. Los investigadores analizaron 440 características radiómicas de 464 pacientes y compararon el rendimiento y la estabilidad de catorce métodos de selección de características y doce métodos de clasificación (algoritmos de aprendizaje automático). Para asegurar una evaluación imparcial, utilizaron implementaciones públicas de los métodos y configuraciones de parámetros previamente reportadas. Además, utilizaron dos cohortes independientes de pacientes para entrenar y validar sus modelos, lo que fortalece la fiabilidad de sus hallazgos.
Los resultados del estudio revelaron que el método de selección de características basado en la prueba de Wilcoxon (WLCX) y el método de clasificación de bosque aleatorio (Random Forest – RF) mostraron el mayor rendimiento predictivo y una alta estabilidad frente a variaciones en los datos. Esto significa que estos métodos fueron los más consistentes en identificar características importantes y en realizar predicciones precisas sobre la supervivencia de los pacientes. Además, el análisis de variabilidad indicó que la elección del método de clasificación fue el factor más influyente en el rendimiento de la predicción.
Este estudio es un paso importante hacia la identificación de las mejores herramientas de aprendizaje automático para la radiómica. Al encontrar métodos robustos y precisos, podemos avanzar en el desarrollo de biomarcadores radiómicos estables y clínicamente relevantes5 . Estos biomarcadores, obtenidos de forma no invasiva, tienen el potencial de mejorar la forma en que diagnosticamos, monitoreamos y tratamos el cáncer, acercándonos a una medicina más personalizada y efectiva. Los hallazgos sugieren que centrarse en métodos como la prueba de Wilcoxon para la selección de características y los bosques aleatorios para la clasificación podría aumentar la precisión de las predicciones basadas en radiómica en el cáncer de pulmón. Sin embargo, los autores también señalan la importancia de seguir investigando y validando estos resultados en diferentes tipos de cáncer y con otras técnicas de imagen .
La identificación de WLCX para la selección de características y RF para la clasificación como métodos prometedores para la predicción de la supervivencia basada en radiómica en el cáncer de pulmón, a la vez que destaca la importancia crítica de la elección del método de clasificación y el valor del estudio como punto de referencia para futuras investigaciones [1].
[1] Chintan Parmar, Patrick Grossmann. Johan Bussink, Philippe Lambin & Hugo J. W. L. Aerts.
Machine Learning methods for Quantitative Radiomic Biomarkers. Scientific Reports | 5:13087 | DOI: 10.1038/srep13087
