Estudio de factibilidad de desarrollo de MoleGazer

Fondo

La incidencia de melanoma está aumentando rápidamente con 15 906 casos nuevos en el Reino Unido (RU) en 2015, lo que resultó en 2285 muertes. El diagnóstico temprano del melanoma es esencial, ya que la enfermedad en etapa temprana tiene una tasa de supervivencia relativa a 5 años > 95 % en comparación con el 8-25 % para el melanoma avanzado. En el Reino Unido, se prevé que los costes del cáncer de piel superen los 180 millones de libras esterlinas para 2020 y supongan una morbilidad (y mortalidad) significativa para las personas afectadas. Hasta el 60% de los melanomas surgen de nevus (lunares) preexistentes. La detección temprana del melanoma se basa en que las personas reconozcan los cambios en los nevos y, para aquellas personas con nevos múltiples, la evaluación experta de estos nevos por parte de dermatólogos capacitados que utilizan ayudas de diagnóstico como la dermatoscopia (aumento x10). Además, hay pruebas de que la vigilancia secuencial de nevos también aumenta las tasas de detección de melanoma.

La fotografía de cuerpo entero (TBP) es una ayuda diagnóstica para el seguimiento de múltiples nevus

Para pacientes con alto riesgo de desarrollar melanoma con múltiples nevus (>60), la fotografía de cuerpo completo (TBP) (imágenes estandarizadas de partes del cuerpo tomadas con una cámara de alta resolución) se usa como ayuda para rastrear, comparar y monitorear nevus durante tiempo y se ha demostrado que mejora el diagnóstico de melanoma. El monitoreo de vigilancia a corto plazo recomendado de nevus es de 3 meses, pero se limita en gran medida a lesiones únicas. En un Servicio Nacional de Salud (NHS) con recursos limitados, la vigilancia frecuente de múltiples nevus por parte de un dermatólogo es poco práctica e ineficiente, de modo que el diagnóstico temprano de melanoma se basa efectivamente en la autovigilancia del paciente. Una posible solución es el análisis automatizado de las imágenes de TBP utilizando inteligencia artificial (IA) para rastrear y monitorear los nevus a lo largo del tiempo.

La inteligencia artificial aplicada a TBP podría mejorar la eficiencia del 'mapeo de topos'

La evaluación previa de IA de las lesiones cutáneas ha demostrado una precisión equivalente a la de los dermatólogos capacitados en el diagnóstico del cáncer de piel, sin embargo, esto se basó en el análisis de una sola lesión en puntos de tiempo estáticos (con diagnósticos probados por biopsia). El uso de lesiones programadas para escisión (es decir, alta sospecha clínica de melanoma) limita severamente la aplicabilidad clínica y una revisión Cochrane concluyó que aún se desconoce la utilidad de la detección asistida por computadora para el diagnóstico de melanoma en atención secundaria. la detección de cambios en los nevos utilizando imágenes TBP secuenciales, lo que se conoce clínicamente como "mapeo de lunares", puede mejorar el diagnóstico temprano del melanoma.

Hasta la fecha, los sistemas TBP en el NHS tienen una automatización limitada, restringida al almacenamiento y recuperación de imágenes. Aunque existe un sistema automatizado de escaneo de todo el cuerpo, y en el futuro puede incorporar un diagnóstico basado en IA además de los algoritmos actuales de adquisición de imágenes y comparación de lesiones, una validación clínica completa y cualquier implementación posterior en el NHS serán costosas debido a la inversión requerida en el sistema de escaneo (costo actual US $ 1 millón). Se desconoce si se pueden lograr los mismos o mejores resultados utilizando equipos de adquisición de imágenes más convencionales y técnicas sofisticadas de IA. Los investigadores proponen una aplicación novedosa de métodos astronómicos de IA para la detección temprana de melanoma utilizando la vigilancia estándar de nevus basada en TBP que se emplea actualmente en el NHS y se puede usar como complemento de la revisión clínica de individuos.

Aplicación de técnicas astronómicas de IA al monitoreo de TBP de múltiples nevos

La ciencia transitoria en astronomía tiene como objetivo detectar y rastrear la evolución de nuevas fuentes astronómicas, como estrellas en explosión. Exhibiendo una evolución tanto a largo como a corto plazo, los eventos individuales se detectan comparando nuevas imágenes con datos de archivo y se clasifican en función de un conjunto de características, que incluyen brillo transitorio, color, movimiento propio y extensión. Los estudios astronómicos de vanguardia monitorean el cielo todas las noches durante escalas de tiempo de varios años para identificar cambios sutiles. Las técnicas de IA (como bosques aleatorios y redes neuronales recurrentes; RNN) que utilizan el historial completo de la serie temporal y la información contextual se utilizan habitualmente para identificar y clasificar eventos de forma probabilística. Con cada nueva observación que proporciona información adicional, los estudios de transitorios astronómicos pueden detectar y caracterizar nuevas fuentes de forma rutinaria, de modo que la evolución de las nuevas fuentes se puede predecir con una precisión del 99,5 % en función de solo tres puntos de tiempo.

Este desafío que enfrenta la astronomía es análogo al 'mapeo de lunares' para personas con alto riesgo de desarrollar melanoma; tanto las fuentes nevus como las astronómicas se pueden caracterizar como fuentes distintas contra un fondo homogéneo que se rastrea a través de múltiples imágenes para detectar cambios. Por lo tanto, los investigadores plantean la hipótesis de que las técnicas de inteligencia artificial astronómica son ideales para abordar este problema clínico y están desarrollando el proyecto MoleGazer para probarlo.

Razón fundamental

Para desarrollar el algoritmo MoleGazer, los investigadores requieren un conjunto de datos de referencia para aplicar algoritmos astronómicos de IA a imágenes TBP para detectar y rastrear nevos en imágenes secuenciales. Actualmente no hay bases de datos disponibles públicamente de imágenes TBP para que los investigadores prueben esta viabilidad y, por lo tanto, en este estudio el objetivo es recopilar:

1. una cohorte de series de tiempo de imágenes TBP tomadas en puntos de tiempo secuenciales fijos durante 2 años
2. una cohorte de referencia de imágenes TBP con imágenes secuenciales tomadas en cualquier momento. Al recopilar imágenes TBP, permitirá a los investigadores estudiar la sensibilidad de la detección y caracterización de nevus en el tono de la piel, los niveles de iluminación, el registro de imágenes y las técnicas de sustracción de fondo, lo que permitirá a los investigadores para automatizar también la detección de nevus y seguir su evolución en cualquier imagen secuencial que tenga el equipo de estudio. El desarrollo de esta base de datos permitirá a los investigadores demostrar la viabilidad de la aplicación de métodos astronómicos de IA a imágenes TBP.