Aprendizaje automático en el diagnostico del cáncer de páncreas.

El diagnóstico temprano del adenocarcinoma ductal pancreático (PDAC) y la pancreatitis crónica (PC) es fundamental para mejorar los resultados de los pacientes. Sin embargo, la falta de biomarcadores específicos dificulta este proceso. Este estudio investigó el potencial de un panel de cuatro biomarcadores urinarios (creatina, LYVE1, REG1B y TFF1) combinados con aprendizaje automático (máquinas de vectores de soporte y redes neuronales) para el diagnóstico.

Datos Aprendizaje Automático

Se analizó un conjunto de datos público de 590 muestras de orina categorizadas como sanas, enfermedad pancreática benigna o PDAC. Todas las muestras se recolectaron antes del tratamiento y se equilibraron la edad y el sexo entre los grupos.

Evaluación

Se emplearon dos modelos de aprendizaje automático: máquinas de vectores de soporte y redes neuronales. Estos modelos se entrenaron y evaluaron utilizando técnicas de validación cruzada para prevenir el sobreajuste. La precisión, sensibilidad y especificidad se utilizaron como métricas de evaluación.

Hallazgos importantes del Aprendizaje Automático

• Alto rendimiento para el diagnóstico de PDAC: Ambos modelos de aprendizaje automático (máquinas de vectores de soporte y redes neuronales) alcanzaron una alta precisión (>89%) y sensibilidad (>84%) para el diagnóstico de PDAC.
• Desempeño ligeramente mejor de las redes neuronales para el diagnóstico de PC: Las redes neuronales mostraron una ligera ventaja en el diagnóstico de PC en comparación con las máquinas de vectores de soporte, con una precisión de 75.3% y una sensibilidad de 65.1%.
• Ventajas de los biomarcadores urinarios: La recolección de orina es no invasiva y cómoda para los pacientes, los biomarcadores son estables y detectables en las etapas tempranas de la enfermedad, y la medición es relativamente económica.

Conclusiones

Este estudio demuestra el potencial de un enfoque combinado que utiliza biomarcadores urinarios y algoritmos de aprendizaje automático para diagnosticar PDAC y PC. Aunque las redes neuronales mostraron una ligera ventaja para el diagnóstico de PC, ambos métodos se desempeñaron bien. Se necesitan más investigaciones para validar estos hallazgos y explorar el potencial más amplio de estos biomarcadores.

Autor: Erika Severeyn Varela, Doctor en Ingeniería Biomédica, Introducción a la Ingeniería Biomédica, Electrónica e Informática Aplicada a la Biomedicina y Áreas Profesionales dentro de la Biomedicina.