GL EN

Novas

16 abril 2024O grupo SING do CINBIO forma parte dunha rede estatal para a detección e diagnose de cancro colorrectal a través da IA

Este martes a Escola Superior de Enxeñaría Informática do campus de Ourense acolleu a primeira xuntanza de traballo da rede estatal AI4PolypNet, creada para mellorar os sistemas de detección e de diagnose de cancro colorrectal empregando intelixencia artificial. Nela, oito grupos de investigación de Catalunya, Estremadura, País Vasco e Galicia únense para optimizar experiencia, recursos técnicos, humanos e de datos e avanzar cara o desenvolvemento de propostas integradoras capaces de responder aos retos desta enfermidade.

Rede temática enfocada no desenvolvemento e validación de sistemas de soporte ao diagnóstico de cancro colorrectal usando intelixencia artificial (AI4PolypNet) está financiada pola Agencia Estatal de Investigación (Ministerio de Ciencia, Innovación y Universidades) na convocatoria 2022 de Redes de Investigación. Está formada por oito grupos de investigación, catro deles de perfil clínico e catro de perfil técnico, así como entidades de diferente natureza (tres universidades, un centro de investigación e 4 hospitais/servizos de saúde) que acumulan unha dilata experiencia no eido temático da rede.

Da Universidade de Vigo participa o Grupo de Sistemas Informáticos de Nova Xeración (SING) do CINBIO, que conta cunha ampla traxectoria no desenvolvemento e aplicación de técnicas e métodos de intelixencia artificial para a resolución de problemas en bioinformática, biomedicina e informática médica. Entre os seus proxecto están PolyDeep e PolyDeepAdvance, feitos en colaboración co grupo Giodo, para o desenvolvemento, validación clínica e acceso ao mercado dun sistema CAD baseado en IA para a detección e clasificación de pólipos colorrectais durante as endoscopias. Tamén compoñen a rede o Grupo de Oncoloxía Dixestiva de Ourense-Giodo (Servizo Galego de Saúde); o Centro de Visión por Computador da Universidade Autónoma de Barcelona (coordinador); o Grupo de Investigación en Oncoloxía Gastrointestinal e Pancreática do Hospital Clinic de Barcelona; a Fundación Centro de Cirurxía de Mínima Invasión Jesús Usón (Cáceres); o Servizo de Aparato Dixestivo do Hospital Universitario de Cáceres; o eVIDA Research Group da Universidade de Deusto e Osakidetza.

Definir as necesidades clínicas reais e a recollida de datos

O cancro colorrectal, explican desde a rede, é un dos de maior incidencia mundial, diagnosticándose 1,93 millóns de novos casos ao ano e alcanzando as cifras de mortalidade os 916.000 pacientes en 2020. A pesar desta elevada incidencia, sinalan, estudos a grande escala demostran que máis do 90% dos casos teñen cura se a súa lesión precursora, o pólipo precanceríxeno, se detecta e extrae a tempo. A colonoscopia segue sendo o único procedemento que permite detectar e tratar a lesión nunha soa intervención, mais, apuntan as e os investigadores, “non é unha técnica perfecta e, segundo informes, case un 22% das lesións non son detectadas durante a exploración”. Durante a última década, e grazas aos avances en materias como a aprendizaxe computacional e a visión por computador, realizáronse distintos esforzos para desenvolver métodos baseados en intelixencia artificial e sistemas intelixentes co obxectivo de dar soporte ao persoal clínico na detección e diagnóstico do cancro colorrectal. Porén, engaden, o potencial dos métodos baseados en intelixencia artificial vese limitado por diversos factores, como a escaseza de datos anotados.

Neste marco de traballo, a rede une experiencia, recursos e esforzos de diferentes grupos de traballo técnicos e clínicos co fin de “definir de maneira clara as necesidades clínicas reais e o modo en que os datos teñen que ser recollidos e anotados para que os diferentes métodos desenvolvidos alcancen todo o seu potencial, tendo en conta por primeira vez aqueles requisitos que deben cumprirse para un despregamento e uso efectivo na sala de exploración”. É preciso, apuntan desde AI4PolypNet, “definir uns protocolos comúns de adquisición e anotación de imaxes que permitan ao persoal investigador contar cunha cohorte de datos ampla e variada”. Ademais, engaden, hai que definir sistemas de validación uniformes, que permitan asegurar o bo rendemento dun método de cara ao seu uso en pacientes reais, e “definir un conxunto de boas prácticas de cara ao uso destes sistemas na sala de exploración”.

Ao longo da sesión celebrada no campus, os membros da rede abordaron o estado actual de AI4PolypNet, que arrancou a súa actividade o pasado verán aínda que esta é a súa primeira xuntanza de traballo presencial; os retos clínicos e técnicos aos que se enfronta a intelixencia artificial no ámbito da imaxe de colonoscopia, as metodoloxías técnicas para detección e clasificación de pólipos nestas imaxes e as bases de datos para adestrar e avaliar métodos de intelixencia artificial neste eido. O camiño cara un libro branco da intelixencia artificial no ámbito de imaxe de colonoscopia e a planificación de próximas actividades da rede foron outros dos temas abordados na cita.

Fonte: DUVI