�鶹����

Este martes a Escola Superior de Enxeara Informtica do campus de Ourense acolleu a primeira xuntanza de traballo da rede estatal AI4PolypNet, creada para mellorar os sistemas de deteccin e de diagnose de cancro colorrectal empregando intelixencia artificial. Nela, oito grupos de investigacin de Catalunya, Estremadura, Pas Vasco e Galicia únense para optimizar experiencia, recursos técnicos, humanos e de datos e avanzar cara o desenvolvemento de propostas integradoras capaces de responder aos retos desta enfermidade.

A Rede temtica enfocada no desenvolvemento e validacin de sistemas de soporte ao diagnstico de cancro colorrectal usando intelixencia artificial (AI4PolypNet) est financiada pola Agencia Estatal de ���Ա�����پ����������� (Ministerio de Ciencia, Innovacin y Universidades) na convocatoria 2022 de Redes de ���Ա�����پ�����������. Est formada por oito grupos de investigacin, catro deles de perfil clnico e catro de perfil técnico, as como entidades de diferente natureza (tres universidades, un centro de investigacin e 4 hospitais/servizos de saúde) que acumulan unha dilata experiencia no eido temtico da rede.

Da �鶹���� participa o Grupo de Sistemas Informticos de Nova Xeracin (SING), que conta cunha ampla traxectoria no desenvolvemento e aplicacin de técnicas e métodos de intelixencia artificial para a resolucin de problemas en bioinformtica, biomedicina e informtica médica. Entre os seus proxecto estn PolyDeep e PolyDeepAdvance, feitos en colaboracin co grupo Giodo, para o desenvolvemento, validacin clnica e acceso ao mercado dun sistema CAD baseado en IA para a deteccin e clasificacin de plipos colorrectais durante as endoscopias. Tamén compoen a rede o Grupo de Oncoloxa Dixestiva de Ourense-Giodo (Servizo Galego de ����ú���); o Centro de Visin por Computador da Universidade Autnoma de Barcelona (coordinador); o Grupo de ���Ա�����پ����������� en Oncoloxa Gastrointestinal e Pancretica do Hospital Clinic de Barcelona; a Fundacin Centro de Cirurxa de Mnima Invasin Jesús Usn (Cceres); o Servizo de Aparato Dixestivo do Hospital Universitario de Cceres; o eVIDA Research Group da Universidade de Deusto e Osakidetza.

Definir as necesidades clnicas reais e a recollida de datos

O cancro colorrectal, explican desde a rede, é un dos de maior incidencia mundial, diagnosticndose 1,93 millns de novos casos ao ano e alcanzando as cifras de mortalidade os 916.000 pacientes en 2020. A pesar desta elevada incidencia, sinalan, estudos a grande escala demostran que mis do 90% dos casos teen cura se a súa lesin precursora, o plipo precancerxeno, se detecta e extrae a tempo. A colonoscopia segue sendo o único procedemento que permite detectar e tratar a lesin nunha soa intervencin, mais, apuntan as e os investigadores, “non é unha técnica perfecta e, segundo informes, case un 22% das lesins non son detectadas durante a exploracin”. Durante a última década, e grazas aos avances en materias como a aprendizaxe computacional e a visin por computador, realizronse distintos esforzos para desenvolver métodos baseados en intelixencia artificial e sistemas intelixentes co obxectivo de dar soporte ao persoal clnico na deteccin e diagnstico do cancro colorrectal. Porén, engaden, o potencial dos métodos baseados en intelixencia artificial vese limitado por diversos factores, como a escaseza de datos anotados.

Neste marco de traballo, a rede une experiencia, recursos e esforzos de diferentes grupos de traballo técnicos e clnicos co fin de “definir de maneira clara as necesidades clnicas reais e o modo en que os datos teen que ser recollidos e anotados para que os diferentes métodos desenvolvidos alcancen todo o seu potencial, tendo en conta por primeira vez aqueles requisitos que deben cumprirse para un despregamento e uso efectivo na sala de exploracin”. É preciso, apuntan desde AI4PolypNet, “definir uns protocolos comúns de adquisicin e anotacin de imaxes que permitan ao persoal investigador contar cunha cohorte de datos ampla e variada”. Ademais, engaden, hai que definir sistemas de validacin uniformes, que permitan asegurar o bo rendemento dun método de cara ao seu uso en pacientes reais, e “definir un conxunto de boas prcticas de cara ao uso destes sistemas na sala de exploracin”.

Ao longo da sesin celebrada no campus, os membros da rede abordaron o estado actual de AI4PolypNet, que arrancou a súa actividade o pasado vern anda que esta é a súa primeira xuntanza de traballo presencial; os retos clnicos e técnicos aos que se enfronta a intelixencia artificial no mbito da imaxe de colonoscopia, as metodoloxas técnicas para deteccin e clasificacin de plipos nestas imaxes e as bases de datos para adestrar e avaliar métodos de intelixencia artificial neste eido. O camio cara un libro branco da intelixencia artificial no mbito de imaxe de colonoscopia e a planificacin de prximas actividades da rede foron outros dos temas abordados na cita.