Innovaciones en la predicción de la supervivencia del cáncer
Un reciente avance en el ámbito de la medicina ha permitido que una simple selfie pueda proporcionar indicios sobre las probabilidades de supervivencia de pacientes con cáncer. Un equipo de investigadores de Mass General Brigham (MGB) ha desarrollado un modelo de inteligencia artificial (IA) que calcula la edad biológica y predice el riesgo de mortalidad en personas afectadas por neoplasias malignas, todo ello a partir del análisis de imágenes faciales. Este sistema tiene el potencial de convertirse en una herramienta valiosa para personalizar tratamientos en diversas condiciones oncológicas.
Varios expertos han señalado que las imágenes faciales podrían actuar como un biomarcador no invasivo y accesible, permitiendo así evaluar el estado general de salud y el proceso de envejecimiento. Sin embargo, uno de los retos más significativos radica en cuantificar y calificar la información que se puede deducir de la apariencia facial, ya que la interpretación objetiva de los rasgos faciales sigue siendo compleja.
Investigaciones anteriores han indicado que los avances en inteligencia artificial podrían ayudar a abordar este desafío. En los últimos años, se han creado modelos experimentales que predicen, entre otros aspectos, el riesgo de mortalidad por diversas causas y la progresión de ciertas enfermedades a partir del análisis de fotografías de millones de pacientes.
Superando los sesgos en los modelos de IA
Sin embargo, muchos de estos algoritmos enfrentan limitaciones debido a la carencia de datos representativos de diversas poblaciones y a los sesgos presentes en la información utilizada para entrenarlos. En la práctica, esto puede resultar en resultados imprecisos, especialmente cuando los modelos se aplican a grupos que no fueron representados durante su desarrollo.
Para afrontar estas inconsistencias, los especialistas de MGB han creado FAHR-Face, un modelo de IA entrenado con más de 40 millones de fotografías de rostros. Este enfoque utiliza técnicas de aprendizaje autosupervisado, permitiendo al sistema identificar características y patrones visuales sin depender de diagnósticos médicos asociados a esos rasgos.
Después de la etapa inicial de identificación de características generales, el modelo avanzó en la capacidad de relacionar los elementos de las imágenes y especializarse en tareas específicas, como el reconocimiento de señales vinculadas a enfermedades. En este proceso se utilizaron conjuntos de fotografías más pequeños que incluían información clínica relevante.
Desarrollo de herramientas pronósticas innovadoras
El trabajo, publicado en The Lancet Digital Health, detalla cómo los investigadores emplearon FAHR-Face para crear dos herramientas que brindan información pronóstica sobre el riesgo de mortalidad. La primera, llamada FAHR-FaceAge, se diseñó para estimar la edad biológica de un individuo a partir de su rostro. Para su desarrollo, el algoritmo se entrenó en dos fases utilizando diez conjuntos de datos de acceso público, que contenían 743,152 imágenes de personas con edad cronológica conocida.
Para evaluar su efectividad, los investigadores llevaron a cabo pruebas en las que el sistema debía calcular la edad de diferentes individuos a partir de fotografías que no se usaron durante el entrenamiento. Posteriormente, repitieron este ejercicio con imágenes de más de 4,890 pacientes que habían recibido radioterapia.
Resultados sorprendentes en la estimación de edad biológica
Los resultados de estas pruebas mostraron que las estimaciones del algoritmo se desviaron en promedio 5.1 años de la edad cronológica en la prueba general, y casi siete años en el análisis de los pacientes tratados con radioterapia. Los investigadores interpretan esta variación como un posible indicador de envejecimiento biológico acelerado.
En otro análisis, se examinó la relación entre este indicador y la supervivencia de 38,183 pacientes con cáncer que habían recibido radioterapia. Los resultados revelaron que aquellos con una edad biológica estimada al menos cinco años superior a su edad cronológica tenían un 21% más de riesgo de muerte en comparación con el resto del grupo. Esto sugiere que, dentro de la población estudiada, los pacientes cuyos rostros reflejaban una edad mayor a la real presentaban una mayor probabilidad de fallecer.
Predicciones directas a partir de imágenes faciales
Por otro lado, el segundo algoritmo desarrollado, conocido como FAHR-FaceSurvival, se diseñó para pronosticar el riesgo de mortalidad directamente a partir de fotografías faciales, sin la necesidad de estimar la edad biológica. Este sistema fue entrenado con más de 34,360 fotografías de pacientes con cáncer, acompañadas de información sobre su supervivencia, permitiendo que el modelo identificara características faciales vinculadas al tiempo de vida tras el diagnóstico.
Los investigadores dividieron a los pacientes en cuatro grupos según el nivel de riesgo calculado por la IA. El grupo con mayor riesgo mostró una mortalidad más de tres veces superior a la de aquellos con un riesgo más bajo. Esta diferencia se mantuvo al considerar factores como la edad, el sexo, el tipo de cáncer y el tratamiento aplicado.
Complementando la evaluación clínica, no sustituyéndola
Aerts, director del programa de Inteligencia Artificial en Medicina (AIM) de MGB y coautor del estudio, subraya que FAHR-FaceSurvival avanza en el campo de la IA al aprender a predecir la supervivencia en cáncer a partir de fotografías faciales. Hasta el momento, no se conocía un modelo de IA que pudiera hacer esto de forma directa.
A pesar de que ambas herramientas utilizan el mismo modelo de IA y analizan rasgos faciales para sus pronósticos, los investigadores señalan que las estimaciones de edad biológica y las predicciones de supervivencia no dependen de las mismas características fisiológicas. Mientras FAHR-FaceAge se centra en áreas como los pliegues nasolabiales, FAHR-FaceSurvival se enfoca en regiones debajo de los ojos y alrededor de la nariz, lo que sugiere que los indicadores de envejecimiento y supervivencia podrían complementarse para lograr pronósticos más precisos.
Los científicos aclaran que ambos sistemas están diseñados como herramientas de apoyo para complementar la evaluación clínica y no para reemplazar el juicio de los profesionales de la salud. Raymond Mak, miembro del AIM y coautor del estudio, destaca que el objetivo es hacer que la evaluación de la salud basada en fotografías faciales sea más cuantitativa y consistente, contribuyendo así a decisiones de tratamiento personalizadas.
Limitaciones y perspectivas futuras
A pesar de sus limitaciones, que incluyen la incapacidad de identificar los mecanismos biológicos detrás de las predicciones y la posibilidad de errores, los investigadores subrayan la utilidad de estas herramientas en la medicina actual. Mak menciona que, ante el envejecimiento de la población, los médicos requieren métodos más precisos para evaluar la reserva física y fragilidad de los pacientes antes de recomendar tratamientos intensivos, como la radioterapia o cirugía.
