2022-10-004 - DeepRDT - Desarrollo de modelos de aprendizaje profundo para predecir la respuesta terapéutica a la radioterapia en pacientes con cáncer

DeepRDT

2022-10-004

Herramienta de IA basada en el análisis de imágenes médicas mediante modelos de aprendizaje profundo (AA) para predecir la respuesta a la radioterapia en pacientes con cáncer de recto y pulmón. Debería servir de guía para los oncólogos en la personalización de la terapia.

Social: salud y seguridad

Esta propuesta se encuentra en una etapa inicial del desarrollo de un producto innovador, pero es susceptible de tener un gran impacto y abre el uso de esta novedosa tecnología (análisis de imágenes con redes neuronales profundas) a otras aplicaciones en este campo. La experiencia adquirida en esta propuesta impulsará la aplicación adicional del análisis de imágenes en otros tipos de cáncer o áreas. La posibilidad de generar estos productos depende de la disponibilidad de datos, imágenes y anotaciones clínicas, algo que se ha logrado obtener en una muestra de gran tamaño. Este proyecto tiene un gran potencial de traslación a la práctica clínica y responde a las necesidades de los profesionales clínicos. Las herramientas de análisis de imagen que se están desarrollando tienen objetivos ambiciosos que ayudarán a oncólogos y radiólogos en su trabajo diario para brindar una mejor atención a los pacientes con estrategias personalizadas. Los modelos aplicados al análisis de imagen ayudarán a identificar la ubicación del tumor, cuantificar su volumen y evolución con el tratamiento, y proporcionar una predicción temprana del pronóstico y la posible toxicidad; esto último es especialmente relevante en el cáncer de pulmón, donde la radioterapia a menudo provoca neumonitis o fibrosis. Identificar pacientes con tumores que podrían ser resistentes a la radioterapia permitirá al oncólogo diseñar estrategias alternativas.

Herramienta de inteligencia artificial (IA) basada en el análisis de imágenes médicas mediante modelos de aprendizaje profundo (AA) para predecir la respuesta a la radioterapia en pacientes con cáncer de recto y pulmón, lo que sirve de guía a los oncólogos para la personalización de la terapia. Se han seleccionado dos escenarios para la prueba de concepto: a) cáncer de pulmón en estadio temprano tratado con radioterapia corporal estereotáctica (SBRT) y b) cáncer de recto localizado tratado con radioterapia neoadyuvante. Los métodos son aplicables a otros tipos de cáncer tratados con radioterapia. Se utilizarán modelos de redes neuronales convolucionales profundas para extraer información relevante de la tomografía computarizada diagnóstica. También se integrarán datos de tomografía por emisión de positrones, resonancia magnética, histopatología de biopsias tumorales y datos clínico-moleculares cuando estén disponibles.

0

0

0

El Plan de Desarrollo de Negocio sobre este proyecto es transferirlo a una empresa por regalías del 3%-5% y establecer diferentes hitos dentro del plan de desarrollo (una vez que haya sido validado, después de terminar la regulatoria y cuando el proyecto esté "listo para vender", no deducible de regalías).

La radioterapia se ha convertido en un pilar fundamental para el tratamiento de múltiples cánceres, con beneficios comprobados en los resultados del tratamiento, tanto como terapia neoadyuvante o como tratamiento único. Sin embargo, no está exenta de efectos adversos y su eficacia varía entre los pacientes, con un 20-40% de casos que no responden al tratamiento, dependiendo de las características del tumor.

Pacientes con cáncer tratados con radioterapia. Inicialmente, se centra en el cáncer de recto y pulmón.

Financiación para mayor validación Codesarrollo con empresa especializada

Colaboraciones y financiación

Entrenamiento y validación de modelos de aprendizaje profundo Desarrollo de prototipos Estrategia regulatoria e implementación

Tratamiento personalizado basado en IA en el procedimiento de radioterapia del paciente con cáncer.

Acceso a datos clínicos relevantes y armonización de los datos

1. Identificación del paciente 2. Adquisición de datos y Plan de Gestión de Datos (DMP). a. Anotación clínica. Se ha diseñado una base de datos para el estudio (redcap) para organizar los datos clínicos del paciente, incluyendo las características del tumor, la modalidad de tratamiento de radioterapia y las dosis, y los criterios de valoración: respuesta tumoral (RECIST) y toxicidad (neumonitis relacionada con la radiación, solo para pacientes con cáncer de pulmón). b. Los datos de imágenes de radiología y medicina nuclear (tomografías computarizadas y tomografías por emisión de positrones) se descargarán del PACS. 3. Preprocesamiento de datos de imagen: anonimización, estandarización, segmentación, control de calidad. 4. Entrenamiento del modelo de aprendizaje profundo y validación interna: Los modelos utilizarán los datos a medida que estén disponibles. Los modelos iniciales ya han comenzado a entrenarse. Este proceso requiere una búsqueda de la arquitectura óptima del modelo y los hiperparámetros. 5. Análisis de explicabilidad: mientras se desarrollan los modelos, se analizarán en paralelo las características que son relevantes para buenas predicciones del modelo. 6. Desarrollo del prototipo de la herramienta. Para facilitar su implementación en la clínica, se diseñará una herramienta con interfaz web que permita al profesional sanitario cargar las imágenes y los datos relevantes y obtener la probabilidad de respuesta al tratamiento del paciente. 7. Protección de la propiedad intelectual. Una vez obtenidas precisiones predictivas validadas superiores al 85 %, que puedan considerarse útiles para su implementación en la clínica, se contratará un estudio de patentabilidad de los algoritmos del modelo y la herramienta predictiva. En cualquier caso, la herramienta se registrará. 8. Estrategia regulatoria. Se analizará la clasificación del software, así como la vía de desarrollo definida para que la herramienta llegue al mercado de acuerdo con las recientes regulaciones de la UE. Se contratarán servicios de expertos para esta tarea.

Definición de la estrategia de propiedad intelectual