Deep learning para modelos de predicción de tumores hematológicos

Con el avance de las técnicas de inteligencia artificial (IA) y deep learning es posible desarrollar modelos innovadores que ayuden a identificar los tumores desde sus etapas tempranas, mejorando los resultados en salud. Un reciente trabajo ha analizado cómo el deep learning puede contribuir a transformar la oncohematología y qué impacto puede suponer para los profesionales de la salud y sus pacientes.

El papel crítico de la IA en la detección de cáncer
 

El deep learning, un campo dentro de la IA, ha demostrado ser revolucionario en la detección del cáncer mediante diagnóstico por imagen. Este enfoque emplea redes neuronales para analizar grandes volúmenes de datos, identificar patrones y proporcionar diagnósticos con altos niveles de precisión. En el caso específico de los tumores hematológicos, se han utilizado modelos avanzados basados en imágenes de muestras de médula ósea y sangre, destacando por su capacidad para manejar datos complejos y minimizar errores.

Modelos destacados en la predicción de los tumores hematológicos

Son varios los modelos de deep learning que ya han sido evaluados para la detección temprana del cáncer hematológico. Dos de los más efectivos son ResNetRS50 y RegNetX016, que han logrado muy buenos resultados. En este trabajo se evaluaron, concretamente, ocho modelos de deep learning: ResNetRS50, RegNetX016, AlexNet, Convnext, EfficientNet, Inception_V3, Xception, VGG19. Para la evaluación se utilizaron 15.135  imágenes de leucemia linfobástica aguda.

ResNetRS50 fue el modelo que mayor precisión ha demostrado (97%), aprovecha las denominadas "residual connections" (conexiones residuales) para permitir un entrenamiento eficaz y evitar problemas como la desaparición de gradientes.  Su modelo de arquitectura es más profunda que la de otros, por lo que puede representar más intrínsecamente características y representaciones complejas de los datos obtenidos de las imágenes. Esta característica es muy importante al clasificar las imágenes de los tumores hematológicos ya que generalmente tienen diferencias muy pequeñas que los modelos menos profundos no pueden detectar.

Impacto clínico del deep learning en el diagnóstico del cáncer hematológico

Los modelos de deep learning basados en IA resuelven problemas clave en la detección de las neoplasias hematológicas, como los desequilibrios en los conjuntos de datos y la complejidad de las imágenes de las muestras. Una de las principales contribuciones clínicas de la IA es la automatización en el diagnóstico lo que ayuda a los profesionales a disminuir la carga de trabajo y mejora la precisión y consistencia de los resultados.

Otras ventajas notables incluyen:

• Detección temprana: Mejora las tasas de supervivencia al identificar el cáncer en etapas iniciales. Reduce el coste global de los tratamientos mediante intervenciones menos invasivas.
• Estandarización en diagnósticos: Minimiza los errores humanos a través de resultados consistentes y basados en datos, eliminando posibles sesgos.
• Mayor accesibilidad global: Estos sistemas de IA pueden implementarse en regiones con recursos limitados, democratizando el acceso a diagnósticos de alta calidad.

Retos futuros y áreas de mejora

Aunque los avances son prometedores, aún persisten retos que deben abordarse para maximizar el impacto de la IA y el deep learning:

El deep learning puede revolucionar el modo en el que se detectan los tumores hematológicos. Modelos como ResNetRS50 representan un paso importante hacia un futuro donde el diagnóstico temprano de forma precisa y automatizada podrá mejorar los resultados en salud. Sin embargo, para maximizar su impacto en la práctica clínica, es vital continuar refinando estas tecnologías mediante validaciones rigurosas y éticas.

Shehta AI, Nasr M, El Ghazali AEDM. Blood cancer prediction model based on deep learning technique. Sci Rep. 2025;15(1):1889.

ES-34648 Marzo 2025