El nombre Sybil tiene su origen en los oráculos de la antigua Grecia, también conocidos como sibilas: figuras femeninas en las que se confiaba para transmitir el conocimiento divino del pasado, presente y futuro oculto y omnipotente. Ahora, el nombre ha sido excavado desde la antigüedad y otorgado a una herramienta de inteligencia artificial para la evaluación del riesgo de cáncer de pulmón que está siendo desarrollada por investigadores de la Clínica Abdul Latif Jameel del MIT para el aprendizaje automático en salud, el Mass General Cancer Center (MGCC) y el Chang Gung Memorial Hospital. (CGMH).
El cáncer de pulmón es el cáncer más mortal número 1 en el mundo, lo que resultó en 1,7 millones de muertes en todo el mundo en 2020, matando a más personas que los siguientes tres cánceres más mortales combinados.
«Es el mayor asesino del cáncer porque es relativamente común y relativamente difícil de tratar, especialmente una vez que ha alcanzado una etapa avanzada», dice Florian Fintelmann, radiólogo intervencionista torácico de MGCC y coautor del nuevo trabajo. «En este caso, es importante saber que si detecta el cáncer de pulmón temprano, el resultado a largo plazo es significativamente mejor. Su tasa de supervivencia a cinco años está más cerca del 70 %, mientras que si lo detecta cuando está avanzado, la tasa de supervivencia a cinco años es apenas inferior al 10 % .”
Aunque ha habido un aumento en las nuevas terapias introducidas para combatir el cáncer de pulmón en los últimos años, la mayoría de los pacientes con cáncer de pulmón todavía sucumben a la enfermedad. Las tomografías computarizadas de baja dosis (LDCT, por sus siglas en inglés) del pulmón son actualmente la forma más común en que los pacientes son examinados para detectar cáncer de pulmón con la esperanza de encontrarlo en las primeras etapas, cuando aún se puede extirpar quirúrgicamente. Sybil lleva la evaluación un paso más allá, analizando los datos de la imagen LDCT sin la ayuda de un radiólogo para predecir el riesgo de que un paciente desarrolle un futuro cáncer de pulmón dentro de los seis años.
En su nuevo artículo publicado en el Revista de Oncología Clínica, Jameel Clinic, MGCC y los investigadores de CGMH demostraron que Sybil obtuvo índices C de 0,75, 0,81 y 0,80 en el transcurso de seis años a partir de diversos conjuntos de tomografías LDCT de pulmón tomadas del National Lung Cancer Screening Trial (NLST), Mass General Hospital (MGH) y CGMH, respectivamente: los modelos que logran una puntuación de índice C superior a 0,7 se consideran buenos y superiores a 0,8 se consideran sólidos. Las ROC-AUC para la predicción de un año utilizando Sybil obtuvieron una puntuación aún más alta, con un rango de 0,86 a 0,94, siendo 1,00 la puntuación más alta posible.
A pesar de su éxito, la naturaleza 3D de las tomografías computarizadas de pulmón hizo que Sybil fuera un desafío para construir. El coautor Peter Mikhael, estudiante de doctorado en ingeniería eléctrica e informática del MIT, y afiliado a la Clínica Jameel y al Laboratorio de Inteligencia Artificial y Ciencias de la Computación del MIT (CSAIL), comparó el proceso con «tratar de encontrar una aguja en un pajar». .” Los datos de imágenes utilizados para entrenar a Sybil carecían en gran medida de signos de cáncer porque el cáncer de pulmón en etapa temprana ocupa pequeñas porciones del pulmón, solo una fracción de los cientos de miles de píxeles que componen cada tomografía computarizada. Las porciones más densas de tejido pulmonar se conocen como nódulos pulmonares y, si bien tienen el potencial de ser cancerosos, la mayoría no lo son y pueden ocurrir a partir de infecciones curadas o irritantes en el aire.
Para asegurarse de que Sybil pudiera evaluar con precisión el riesgo de cáncer, Fintelmann y su equipo etiquetaron cientos de tomografías computarizadas con tumores cancerosos visibles que se usarían para entrenar a Sybil antes de probar el modelo en tomografías computarizadas sin signos perceptibles de cáncer.
Jeremy Wohlwend, estudiante de doctorado en ingeniería eléctrica y ciencias de la computación del MIT, coautor del artículo y afiliado de Jameel Clinic y CSAIL, se sorprendió por la puntuación tan alta de Sybil a pesar de la falta de cáncer visible. “Descubrimos que mientras [as humans] no podía ver exactamente dónde estaba el cáncer, el modelo aún podría tener algún poder predictivo sobre qué pulmón desarrollaría cáncer con el tiempo”, recuerda. «Conocimiento [Sybil] fue capaz de resaltar qué lado era el más probable, fue realmente interesante para nosotros”.
La coautora Lecia V. Sequist, oncóloga médica, experta en cáncer de pulmón y directora del Centro para la Innovación en la Detección Temprana del Cáncer en MGH, dice que los resultados que logró el equipo con Sybil son importantes «porque la detección del cáncer de pulmón no se implementa para su máximo potencial en los EE. UU. o a nivel mundial, y Sybil puede ayudarnos a cerrar esta brecha”.
Los programas de detección del cáncer de pulmón están subdesarrollados en las regiones de los Estados Unidos más afectadas por el cáncer de pulmón debido a una variedad de factores. Estos van desde el estigma contra los fumadores hasta factores políticos y del panorama normativo, como la expansión de Medicaid, que varía de un estado a otro.
Además, muchos pacientes diagnosticados con cáncer de pulmón en la actualidad nunca han fumado o son ex fumadores que dejaron de fumar hace más de 15 años, rasgos que hacen que ambos grupos no sean elegibles para la detección por tomografía computarizada de cáncer de pulmón en los Estados Unidos.
“Nuestros datos de capacitación consistían solo en fumadores porque este era un criterio necesario para inscribirse en el NLST”, dice Mikhael. “En Taiwán, evalúan a los no fumadores, por lo que se espera que nuestros datos de validación incluyan a personas que no fuman, y fue emocionante ver que Sybil se generalizó bien a esa población”.
“Un próximo paso emocionante en la investigación será probar Sybil prospectivamente en personas con riesgo de cáncer de pulmón que no han fumado o que dejaron de fumar hace décadas”, dice Sequist. “Trato a estos pacientes todos los días en mi clínica de cáncer de pulmón y es comprensible que les resulte difícil aceptar que no habrían sido candidatos para someterse a un examen de detección. Quizás eso cambie en el futuro”.
Hay una población creciente de pacientes con cáncer de pulmón que se clasifican como no fumadores. Las mujeres que no fuman tienen más probabilidades de ser diagnosticadas con cáncer de pulmón que los hombres que no fuman. A nivel mundial, más del 50 por ciento de las mujeres diagnosticadas con cáncer de pulmón no fuman, en comparación con el 15 al 20 por ciento de los hombres.
La profesora del MIT Regina Barzilay, coautora del artículo y líder de la facultad de IA de la Clínica Jameel, que también es miembro del Instituto Koch para la Investigación Integrativa del Cáncer, acredita los esfuerzos conjuntos del MIT y MGH en Sybil a Sylvia, la hermana de un amigo cercano de Barzilay y uno de los pacientes de Sequist. «Sylvia era joven, saludable y atlética; nunca fumó», recuerda Barzilay. «Cuando comenzó a toser, ni sus médicos ni su familia sospecharon inicialmente que la causa podría ser cáncer de pulmón. Cuando Sylvia finalmente recibió el diagnóstico y conoció al Dr. Sequist, la enfermedad estaba demasiado avanzada para revertir su curso, cuando lloramos la muerte de Sylvia, no podíamos dejar de pensar en cuántos otros pacientes tienen trayectorias similares”.
Este trabajo fue apoyado por Bridge Project, una asociación entre el Instituto Koch en el MIT y el Centro de Cáncer Dana-Farber/Harvard; la Clínica MIT Jameel; computación cuántica; Enfrentarse al cáncer; el Centro MGH para la Innovación en la Detección Temprana del Cáncer; las familias Bralower y Landry; Cáncer de pulmón en etapa superior; y el Centro Eric y Wendy Schmidt del Instituto Broad del MIT y Harvard. El Centro de Cáncer de Linkou CGMH bajo la Fundación Médica Chang Gung brindó asistencia con la recopilación de datos y R. Yang, J. Song y su equipo (Quanta Computer Inc.) brindaron soporte técnico e informático para analizar el conjunto de datos de CGMH. Los autores agradecen al Instituto Nacional del Cáncer por acceder a los datos del NCI recopilados por el Ensayo Nacional de Detección de Pulmón, así como a los pacientes que participaron en el ensayo.