Investigadores del Instituto Indio de Tecnología han desarrollado una innovadora metodología para predecir con mayor precisión la supervivencia en pacientes con cáncer. El sistema, denominado RobSurv, se basa en una arquitectura de aprendizaje profundo que utiliza la cuantificación vectorial para analizar datos multi-modales procedentes de imágenes médicas. Los desafíos actuales de la oncología, donde la precisión en la predicción de la supervivencia es vital, provocados por el ruido y las variaciones de los protocolos de imagen, han limitado la aplicabilidad clínica de los modelos tradicionales.
Integrando imágenes de tomografía computarizada (CT) y tomografía por emisión de positrones (PET) con información genómica y registros clínicos, este método ofrece una representación resistente al ruido mediante un mapa dual de características discretas y continuas. Las pruebas en tres diferentes conjuntos de datos mostraron que RobSurv superó significativamente a los modelos anteriores, logrando un índice de concordancia de hasta 0.771 bajo condiciones ruidosas. Incluso bajo circunstancias adversas donde los algoritmos existentes sufren degradaciones de rendimiento de entre 8-12%, RobSurv mostró una pérdida máxima de entre 3.8-4.5%.
El núcleo de esta mejora radica en su innovadora arquitectura de doble camino que permite un procesamiento conjunto de características de imagen continua y discreta. La cuantificación vectorial logra una representación más estable, mientras que el mecanismo de fusión basado en parches mantiene intactas las relaciones espaciales locales. Este sistema permite capturar y utilizar información contextual complementaria de manera más robusta, maximizando la utilidad de datos en entornos clínicos reales que están a menudo plagados de ruidos y variabilidad.
RobSurv marca un paso significativo hacia el desarrollo de modelos de aprendizaje profundo que integran múltiples tipos de datos para un análisis más efectivo y robusto de la progresión del cáncer. Con sus capacidades mejoradas para manejar datos ruidosos y su estabilidad ante diferentes tipos de cáncer y protocolos de imagen, RobSurv promete mejoras en la planificación del tratamiento y cuidado del paciente, ofreciendo una alternativa viable y precisa en el campo de la oncología. A medida que se avance en su desarrollo y validación, es esperable que este enfoque tenga aplicaciones aún mayores en otros campos de la medicina genética, siempre que se superen los desafíos técnicos y se afine el planteamiento con más grandes volumenes de datos multi-modales.