•  I
• a · A  I
• Accesibilidad  I
• Mapa web  I
• Buscar  I
• Directorio

• ::  Iniciar sesión :: 

Un equipo de investigadores de la Universitat Politècnica de València (UPV) y del Instituto de Física Corpuscular, centro mixto del Consejo Superior de Investigaciones Científicas (CSIC) y la Universitat de València (UV), ha participado en el desarrollo de un sistema de ayuda al diagnóstico del cáncer de mama capaz de reducir el número de falsos positivos.

El novedoso método ofrece una fiabilidad de detección cercana al 90%, la más alta de este tipo de sistemas, y será de gran utilidad en la práctica clínica. En el trabajo participan grupos científicos de otros siete centros internacionales.

Según señalan los investigadores, los métodos actuales de asistencia que emplean los radiólogos se limitan a detectar las zonas potencialmente sospechosas en la imagen. Sin embargo, este dispositivo es capaz de reducir el número de zonas sospechosas o falsas alarmas y dar información sobre la presencia de cáncer. Lo consigue basándose en técnicas de inteligencia artificial como las redes neuronales y el uso de algoritmos predictivos.

Evita la realización de pruebas lesivas

Las mamografías son pruebas diagnósticas que llevan años demostrando su eficacia en la detección precoz del cáncer de mama, uno de los tumores de mayor incidencia en los países desarrollados. El nuevo sistema puede reducir los falsos positivos en todos los rangos de edad y, al minimizar las falsas alarmas, evita que haya que realizar pruebas más lesivas para las mujeres. Además, permite una reducción de los costes clínicos, lo que ayudará a incorporar nuevos grupos de riesgo a las campañas de detección.

Francisco Albiol, investigador del CSIC en el Instituto de Física Corpuscular, afirma que "además, si por otros indicios clínicos, el profesional sospecha que se encuentra ante un diagnóstico positivo no evidente, puede amplificar regiones que presentan mayores sospechas de tumor y que aún no son detectables por el ojo humano experto, para facilitar así futuras localizaciones de biopsia".

"Por cada año de diagnóstico precoz del cáncer de mama, se aumenta un 20% la esperanza de vida a cinco años de las pacientes. De ahí que el algoritmo que hemos desarrollado pueda ser una herramienta de gran utilidad en el diagnóstico temprano de este tipo de cáncer, ofreciendo a los profesionales clínicos un sistema experto adicional", añade Francisco Albiol.

Actualmente, los participantes en el proyecto estudian cómo trasladar este método a la práctica clínica. "Una de las posibilidades más sencillas", indica Alberto Albiol, investigador del Instituto de Telecomunicaciones y Aplicaciones Multimedia (iTEAM) de la UPV, "sería su aplicación para reducir la fatiga del radiólogo mediante el cribado de casos fáciles".

Digital Mammography DREAM Challenges

Los DREAM Challenges plantean retos a la comunidad científica ligados a la biología y la medicina. Los investigadores presentan sus proyectos y los seleccionados participan en ellos, con el objetivo mejorar la vida de la sociedad en diferentes aspectos.

El sistema de ayuda al diagnóstico del cáncer de mama desarrollado es resultado del Digital Mammography DREAM Challenges, un proyecto mundial impulsado por las principales instituciones americanas de lucha contra el cáncer junto a multinacionales como IBM y Amazon.

El objetivo es mejorar la detección del cáncer de mama mediante la interpretación de la mamografía con técnicas de inteligencia artificial. El proyecto ha contado con la participación de 120 equipos multidisciplinares, siendo el formado por el Instituto de Física Corpuscular y la UPV el único representante español.

En este estudio científico se han analizado datos de pacientes facilitados por diversas instituciones médicas de los Estados Unidos. Los resultados han sido presentados recientemente en el congreso del International Society For Computational Biology, realizado en Nueva York.

"Para poder emplear a gran escala este tipo de tecnologías", concluye Francisco Albiol, "es necesario generar y mantener colecciones locales de datos de pacientes que representen de forma general la composición étnica, nutricional y económica de un sistema de salud".