Distinguir entre nódulos tiroideos benignos y cancerosos antes de la cirugía es notoriamente difícil, pero un nuevo estudio descubre que una combinación de inteligencia artificial y técnicas de análisis de datos puede producir predicciones de cáncer sorprendentemente precisas.
por Patricia Waldron, Universidad de Cornell
El estudio de prueba de concepto fue realizado por investigadores de la Facultad de Computación y Ciencias de la Información Ann S. Bowers de Cornell y de la Escuela de Medicina Icahn del Monte Sinaí.
El equipo entrenó modelos de aprendizaje automático para identificar el cáncer de tiroides utilizando imágenes de ultrasonido de tiroides y un tipo de modelado llamado análisis de datos topológicos (TDA) que captura información sobre la forma y el patrón de los ultrasonidos.
Demostraron que este enfoque representaba una mejora significativa con respecto al uso exclusivo de características básicas de la ecografía para predecir el cáncer de tiroides. Si estos hallazgos se confirman en estudios más amplios, el enfoque podría combinarse con métodos tradicionales de evaluación de riesgos para asesorar mejor a los pacientes y, posiblemente, prevenir cirugías innecesarias.
«Gran parte de lo que estamos tratando de hacer es mejorar nuestra capacidad de asesorar a los pacientes antes de la operación y a los pacientes con cáncer sobre su riesgo de recurrencia», dijo la autora principal Denise Lee, profesora adjunta de cirugía en la Escuela de Medicina Icahn del Monte Sinaí.
El estudio, «Una investigación de prueba de concepto para predecir el carcinoma folicular mediante ultrasonido utilizando análisis de datos topológicos y radiómica», se publica en la revista Imaging .
«La promesa de estos métodos estadísticos en medicina es encontrar características similares a la forma que ocurren de manera confiable, pero con patrones diferentes en pacientes muy distintos», dijo el coautor David S. Matteson, profesor de estadística y ciencia de datos en Cornell Bowers CIS, y de estadística social y económica en ILR.
Los nódulos tiroideos descubiertos incidentalmente se han vuelto más comunes debido al aumento de las imágenes de rutina. El proceso de categorización del riesgo de un paciente comienza con ecografía, biopsia por aspiración con aguja fina y pruebas moleculares. Sin embargo, en algunos casos se obtienen resultados poco claros, lo que lleva a la cirugía para obtener un diagnóstico definitivo. Esto lleva a que hasta una cuarta parte de los pacientes se sometan a cirugía por una enfermedad benigna.
«La interpretación de las ecografías puede ser muy subjetiva, y esa es una de las áreas con las que tenemos dificultades», dijo Lee. «La idea de este estudio era: ¿podemos usar IA o TDA para estandarizar las características de estas ecografías y generar predicciones precisas de forma más estandarizada?»
Otros investigadores han intentado predecir el cáncer a partir de imágenes de ultrasonido utilizando modelos de aprendizaje profundo que funcionan como una caja negra : toman características desconocidas de las imágenes de ultrasonido y producen una predicción que no se puede explicar fácilmente.
Uno de los beneficios de usar TDA es que las características identificadas pueden rastrearse fácilmente hasta la ecografía, dijeron los investigadores.
«Las características que utilizamos en este estudio son relativamente interpretables», afirmó el primer autor, Andrew Thomas, ex investigador postdoctoral en Cornell y actual profesor adjunto de estadística y ciencias actuariales en la Universidad de Iowa. «Se pueden interpretar de forma similar a como se mide el número de calcificaciones, las regiones quísticas negras más grandes o la irregularidad del borde de la tiroides en una ecografía; todo esto se captura mediante TDA».
El TDA considera las características de la forma transformando una ecografía en escala de grises en una serie de imágenes binarias en blanco y negro. A partir del píxel más oscuro de cada imagen, el método establece un umbral por encima del cual todos los píxeles son blancos. Posteriormente, el umbral aumenta secuencialmente, de modo que los píxeles cada vez más claros se codifican como negros, hasta que las masas oscuras crecen y se conectan, y los puntos más claros se reducen gradualmente y desaparecen. Esta serie de imágenes en blanco y negro proporciona información sobre la conectividad de las diferentes regiones de la tiroides, lo que puede indicar el riesgo de cáncer de una persona.
Este método mostró una sensibilidad del 91 % para identificar cáncer presente y una especificidad del 71 % para identificar correctamente nódulos benignos. Por el contrario, los modelos sin TDA, basados en radiómica (características básicas de los ultrasonidos, como el brillo o la textura), obtuvieron predicciones con mucha menor precisión, identificando correctamente casos verdaderamente benignos el 43 % de las veces. Los modelos que utilizan TDA también obtuvieron mejores resultados que algunos intentos previos con aprendizaje profundo.
Ahora, los investigadores están aplicando este método a un conjunto más amplio de ecografías tiroideas para explorar más a fondo su uso en la predicción del riesgo de cáncer. Esperan que este enfoque pueda aplicarse a otros tipos de imágenes médicas y a diferentes tipos de cáncer.
Recientemente, Thomas y Matteson utilizaron TDA para cuantificar la dinámica en imágenes microscópicas de nanopartículas metálicas eliminadas de ruido con aprendizaje profundo.
«La ciencia es en realidad el estudio del orden y el caos», dijo Thomas. «Eso es lo que intentamos lograr, pero de una manera un poco más interpretable».
Más información: Andrew M. Thomas et al., Investigación de prueba de concepto para la predicción del carcinoma folicular en ecografía mediante análisis de datos topológicos y radiómica, Imaging (2025). DOI: 10.1556/1647.2025.00256
