Comparación de algoritmos de inteligencia artificial para la predicción de adenocarcinoma pancreático

Abstract

[ES] La dificultad en el diagnóstico temprano del adenocarcinoma pancreático ductal es una de las principales razones de su alta tasa de mortalidad. Con el fin de favorecer este diagnóstico se han desarrollado distintas versiones de tres tipos de algoritmos de inteligencia artificial y aproximación de datos: algoritmo genético, redes neuronales y regresión logística. Estos toman los datos de sexo, edad, CA19-9 en sangre y niveles de creatinina, TFF1, REG1B y LYVE1 en orina de cientos de pacientes y los clasifican como casos control, los que presentan un tumor benigno o los que padecen uno maligno. Se ha estudiado la precisión, especificidad y sensibilidad de estos algoritmos, determinando cuáles conllevan una mayor capacidad de predicción, y comparando estos entre sí y con los resultados obtenidos en bibliografía anterior, siendo la novedad el algoritmo genético. La capacidad predictiva de este ha resultado ser comparable a la de los ya estudiados, obteniendo la mayor precisión para la clasificación entre controles y tumores malignos. Además, se obtienen sensibilidades y especificidades mayores al 80% para los tres métodos para esta clasificación. Esto confirma el potencial de las herramientas de machine learning para el diagnóstico de este tipo de tumor, aunque aún existan limitaciones para su implantación clínica

[EN] The low rate of early-stage diagnosis of pancreatic ductal adenocarcinoma is one of the main reasons for its high mortality rate. In order to benefit this diagnosis, different versions of three types of artificial intelligence and data approximation algorithms have been developed: genetic algorithm, neural networks and logistic regression. These take collected data on sex, age, CA19-9 in blood and levels of creatinine, TFF1, REG1B and LYVE1 in urine from hundreds of patients and classify them as control cases, those with a benign tumor and those with a malignant one. The accuracy, specificity and sensitivity of these algorithms have been studied, determining which ones entail a greater prediction capacity, and comparing them with each other and with the results obtained in previous research, the novelty being the genetic algorithm. This algorithm’s predictive capacity has turned out to be comparable to that of those already studied, resulting in the highest accuracy for classification between controls and malignant tumors. Furthermore, sensitivities and specificities greater than 80% have been achieved for the three methods for this classification. This confirms the potential of machine learning tools for diagnosing this type of tumor, although there are still limitations to its clinical implementation