Centro Roswell de Imágenes Cuantitativas (ROCQI)

Nuestra Misión

La misión general del Centro Roswell de Imágenes Cuantitativas (ROCQI) es acelerar el desarrollo de soluciones de imágenes avanzadas, incluida inteligencia artificial (IA), técnicas de aprendizaje automático y radiómica, para aplicaciones de investigación.

Nuestro objetivo es servir como centro científico y tecnológico que fomente las colaboraciones intra e interinstitucionales en los campos de la imagen cuantitativa y la radiómica.

Nuestro equipo Solicitud de colaboración Solicitud de pasantía

Qué hacemos

El Centro de Imágenes Cuantitativas es el hogar académico de un equipo integrado de científicos básicos y traslacionales, especialistas en tecnología de la información y médicos que trabajan en estrecha colaboración para facilitar los estudios de imágenes a través de métodos de aprendizaje automático.

Nuestros programas de investigación se centran en:

Técnicas avanzadas de imagen: Desarrollar y perfeccionar tecnologías de imágenes innovadoras para mejorar la precisión del diagnóstico, incluido el análisis impulsado por IA, imágenes de alta resolución y técnicas de imágenes en tiempo real.
Biomarcadores de imagen: Identificación y validación de nuevos biomarcadores que se puedan detectar mediante imágenes. Esto incluye la investigación sobre cómo se pueden utilizar las imágenes para predecir la progresión de la enfermedad, la respuesta al tratamiento y el pronóstico del paciente.
Medicina personalizada: Utilizar datos de imágenes para adaptar los planes de tratamiento del cáncer a cada paciente, mejorando los resultados y minimizando los efectos secundarios. Esto implica correlacionar los hallazgos de las imágenes con datos genéticos, moleculares y clínicos.
Aprendizaje automático y análisis de datos: Aplicación de algoritmos de aprendizaje automático a grandes conjuntos de datos de imágenes para descubrir patrones y conocimientos que puedan mejorar el diagnóstico, el tratamiento y la comprensión del cáncer.
Iniciativas de investigación colaborativa: Participar en colaboraciones multidisciplinarias con instituciones académicas, proveedores de atención médica y socios de la industria para impulsar la innovación y traducir los resultados de la investigación en la práctica clínica.

Los proyectos de investigación en curso están financiados por el Instituto Nacional del Cáncer (NCI) y la Roswell Park Alliance Foundation.

Aspectos destacados de investigación

Las imágenes transversales modernas muestran que el mieloma múltiple infiltra la médula ósea con diferentes patrones: mientras que algunos pacientes presentan una infiltración difusa, otros muestran lesiones focales o un patrón mixto de ambos. Las lesiones focales son particularmente relevantes ya que pueden dar lugar a lesiones osteolíticas con mayor riesgo de fractura o enfermedad extramedular, que ha demostrado tener importancia pronóstica adversa.

El uso de inmunoterapias, especialmente el tratamiento con células CAR-T, ha demostrado ocasionalmente causar un aumento en el tamaño de las lesiones focales mientras que otros marcadores de la enfermedad muestran respuesta al tratamiento, lo que sugiere un fenómeno conocido como pseudoprogresión en tumores sólidos.

En una colaboración internacional con centros de todo el mundo, nuestro objetivo es clasificar el fenómeno de la pseudoprogresión en pacientes con mieloma múltiple y estamos utilizando una plataforma en línea donde los investigadores pueden cargar datos clínicos y de imágenes para que los radiólogos y bioestadísticos puedan acceder a estos datos y realizar sus evaluaciones.

Esperamos que esta plataforma también sea útil para otros proyectos que requieran colaboraciones entre diferentes sitios.

Figura de flujo de trabajo/cronología del proyecto de investigación sobre el mieloma

Tomografía computarizada e imagen esquelética de un abdomen.

Las lesiones osteolíticas y las fracturas óseas son síntomas frecuentes del mieloma múltiple y pueden provocar una morbilidad y mortalidad significativas. Las técnicas de diagnóstico por imagen modernas permiten una evaluación longitudinal del sistema esquelético para controlar estos cambios.

Nuestro objetivo es analizar imágenes de resonancia magnética, tomografía por emisión de positrones y tomografía computarizada de pacientes con mieloma múltiple latente (un precursor asintomático del mieloma múltiple) y mieloma múltiple para identificar retrospectivamente marcadores de imagen que permitan predecir una fractura en imágenes posteriores. Debido a la cantidad de datos de imágenes que deberán revisarse, estamos desarrollando herramientas informáticas para realizar estos análisis en un período de tiempo razonable.

Esto permitirá intervenir antes y prevenir fracturas y mayores daños en los huesos y ayudará a predecir el riesgo de fractura, por ejemplo, en pacientes que planean volver a trabajar o participar en ejercicio físico y otras actividades de ocio.

Más información:

Klein A, Warszawski J, Hillengass J, Maier-Hein KH. Segmentación ósea automática en imágenes de TC de cuerpo entero. Int J Comput Assist Radiol Surg. Enero de 2019;14(1):21-29. doi: 10.1007/s11548-018-1883-7. Publicación electrónica 2018 de noviembre de 13. PMID: 30426400
Hildenbrand N, Klein A, Maier-Hein K, Wennmann M, Delorme S, Goldschmidt H, Hillengass J. Identificación de características de lesiones focales en la RMN que indican la presencia de una lesión osteolítica correspondiente en la TC en pacientes con mieloma múltiple. Bone. 2023 Oct;175:116857. doi: 10.1016/j.bone.2023.116857. Publicación electrónica 2023 de julio de 22. PMID: 37487861

Nuestra propuesta de investigación tiene como objetivo desarrollar una herramienta de estratificación predictiva del riesgo quirúrgico impulsada por IA para pacientes con cáncer de pulmón. Dados los altos riesgos asociados con la cirugía de cáncer de pulmón, las evaluaciones precisas del riesgo preoperatorio son fundamentales. Los métodos actuales se basan en juicios subjetivos y pruebas obsoletas, lo que genera imprecisiones. Este nuevo modelo integrará IA para analizar imágenes de TC preoperatorias y datos clínicos, lo que proporcionará una evaluación de riesgo cuantitativa y personalizada para identificar mejor a los candidatos para la cirugía o tratamientos alternativos.

La innovación radica en combinar datos radiológicos con datos clínicos a través de IA, mejorando la precisión de las predicciones de riesgo. Este modelo podría transformar los flujos de trabajo de la cirugía torácica, ampliando la elegibilidad quirúrgica y mejorando los resultados de los pacientes.

El enfoque incluye la adquisición de datos, el preprocesamiento, la selección de características, la ingeniería de modelos y una validación rigurosa. El modelo se entrenará con un conjunto de datos completo de cirugías de cáncer de pulmón, utilizando algoritmos avanzados de aprendizaje automático para identificar las características más predictivas. Además, el estudio explorará el impacto de los parámetros de imágenes de TC en la precisión predictiva y comparará el rendimiento del modelo de IA con los métodos tradicionales. El objetivo final es mejorar los resultados posoperatorios de los pacientes con cáncer de pulmón y sentar las bases para modelos predictivos similares en otros campos médicos.

Un diagrama de un estudio de investigación

Figura de un estudio de investigación científica.

Imágenes de pulmones obtenidas mediante resonancia magnética

La obstrucción maligna de las vías respiratorias centrales es una complicación frecuente del cáncer de pulmón: el 17 % presenta al menos una obstrucción leve en el momento del diagnóstico de cáncer de pulmón y el 8.2 % de los pacientes adicionales desarrollan obstrucción de las vías respiratorias durante los 5 años posteriores. Hemos demostrado que la obstrucción de las vías respiratorias se puede identificar mediante una revisión específica de las tomografías computarizadas en el 99 % de los casos, en comparación con el estándar de oro de la broncoscopia. A pesar de esto, los radiólogos no identifican la obstrucción de las vías respiratorias en sus lecturas en hasta el 30 % de los casos. Proponemos desarrollar un algoritmo informático para segmentar automáticamente las vías respiratorias centrales y caracterizar con precisión la presencia de obstrucción de las vías respiratorias centrales.

Estrategia:

Hemos seleccionado una cohorte docente de tomografías computarizadas con y sin obstrucción de la vía aérea central.
Utilizamos el software de código abierto MITK para segmentar las vías respiratorias.
Comparamos la segmentación de las vías respiratorias entre investigadores y luego contra el algoritmo.
Próximos pasos: Realizaremos cohortes de entrenamiento de vías respiratorias no segmentadas para determinar la precisión en la caracterización de las vías respiratorias y la identificación de obstrucciones en las vías respiratorias.

Otras lecturas:

Ivanick NM, Kunadharaju R, Bhura S, Mengiste H, Saeed M, Saradna A, et al. Epidemiología y supervivencia de la obstrucción maligna de las vías respiratorias centrales en el cáncer de pulmón identificada en imágenes transversales. Revista de broncología y neumología intervencionista. 2024;31(3).
Kalvapudi S, Zubair HM, Kunadharaju R, Bhura S, Mengiste H, Saeed M, et al. Correlación de la broncoscopia y la TC en la caracterización de la obstrucción maligna de las vías respiratorias centrales. Cánceres. 2024;16(7).
Harris K, Alraiyes AH, Attwood K, Modi K, Dhillon SS. Notificación de la obstrucción de las vías respiratorias centrales en los informes de radiología e impacto en las intervenciones broncoscópicas de las vías respiratorias y los resultados de los pacientes. Avances terapéuticos en enfermedades respiratorias. 2016;10(2):105-12.
Daneshvar C, Falconer WE, Ahmed M, Sibly A, Hindle M, Nicholson TW, et al. Prevalencia y evolución de la obstrucción de las vías respiratorias centrales en pacientes con cáncer de pulmón. BMJ open respiratory research. 2019;6(1):e000429.

Descubrimiento de cohorte

nSight™ es una potente plataforma de descubrimiento de datos que se ofrece como complemento a todo el equipo de Roswell que posee las certificaciones de capacitación CITI necesarias. La misión principal de la iniciativa nSight es permitir que los investigadores de Roswell tengan acceso en tiempo real a datos clínicos, de investigación y regulatorios vitales, facilitando así sus esfuerzos de investigación. Con su amplia gama de capacidades, la plataforma cumple varios propósitos, incluida la evaluación de viabilidad de la investigación, la preparación de propuestas de subvención, la creación de carteles y el diseño de poblaciones de ensayos clínicos, entre otros.

Dentro de esta plataforma de vanguardia, los usuarios pueden realizar búsquedas específicas para los casos deseados, utilizando una amplia gama de factores como el tipo de enfermedad, la modalidad de tratamiento y las características del bioespecímen.

Investigación radiómica utilizando inteligencia artificial y aprendizaje automático

ROCQI se dedica a aprovechar el poder de las técnicas de inteligencia artificial (IA) y aprendizaje automático (AA) para avanzar en la investigación sobre análisis de imágenes digitales en Roswell Park. Creemos que la colaboración entre múltiples disciplinas es esencial para el éxito de la investigación de imágenes digitales. El centro se centra en brindar apoyo integral a los investigadores, permitiéndoles utilizar algoritmos de IA y AA en el análisis de varios tipos de imágenes digitales. Estas imágenes incluyen imágenes radiológicas, diapositivas de patología e imágenes histológicas, que desempeñan un papel crucial en el diagnóstico, el pronóstico y la planificación del tratamiento para pacientes con cáncer.

Los procesos de investigación de imágenes digitales en Roswell Park suelen abarcar varios pasos clave. ROCQI facilita la adquisición de imágenes mediante la recopilación de imágenes digitales de diversas fuentes. A continuación, realizamos la anotación y la segmentación, un proceso en el que se identifican y marcan regiones de interés específicas dentro de las imágenes, creando así datos etiquetados para entrenar algoritmos de ML. La extracción de características es el paso siguiente, que implica la aplicación de algoritmos sofisticados para extraer características relevantes de las imágenes. Estas características extraídas sirven luego como entradas para los modelos de ML. Por último, realizamos la evaluación, que implica evaluar el rendimiento y la precisión de los modelos de ML utilizando métricas adecuadas. Este proceso de evaluación garantiza que los modelos de ML sean eficaces y contribuyan al avance de la investigación en análisis de imágenes digitales en Roswell Park.

El centro colabora estrechamente con los investigadores para garantizar la ejecución fluida de estos pasos, con un enfoque en la eficiencia y la eficacia. Nuestro objetivo es impulsar resultados de investigación innovadores y facilitar avances en el análisis de imágenes digitales. Al aprovechar las técnicas de inteligencia artificial y aprendizaje automático, nos esforzamos por mejorar la velocidad, la precisión y la exactitud de los diagnósticos, así como el desarrollo de planes de tratamiento personalizados para pacientes con cáncer.