Sistema de análisis basado en la IA para el diagnóstico del cáncer de mama
Por primera vez, los datos morfológicos, moleculares e histológicos se integran en un único análisis
Klauschen/Charité
El tratamiento del cáncer se centra cada vez más en la caracterización molecular de las muestras de tejido tumoral. Se llevan a cabo estudios para determinar si el ADN ha cambiado en el tejido tumoral y/o cómo, así como la expresión de genes y proteínas en la muestra de tejido. Al mismo tiempo, los investigadores son cada vez más conscientes de que la progresión del cáncer está estrechamente relacionada con la comunicación intercelular y la interacción de las células neoplásicas con el tejido circundante, incluido el sistema inmunitario.
Los datos de imagen proporcionan un gran detalle espacial
Aunque las técnicas microscópicas permiten estudiar los procesos biológicos con gran detalle espacial, sólo permiten una medición limitada de los marcadores moleculares. Éstos se determinan más bien mediante proteínas o ADN extraídos de los tejidos. En consecuencia, no es posible el detalle espacial y la relación entre estos marcadores y las estructuras microscópicas suele ser poco clara. "Sabemos que, en el caso del cáncer de mama, el número de células inmunitarias inmigradas, conocidas como linfocitos, en el tejido tumoral influye en el pronóstico de la paciente. También se discute si esta cifra tiene un valor predictivo, es decir, si nos permite decir la eficacia de una determinada terapia", afirma el profesor Dr. Frederick Klauschen, del Instituto de Patología de la Charité.
"El problema que tenemos es el siguiente: Tenemos datos moleculares buenos y fiables y tenemos buenos datos histológicos con gran detalle espacial. Lo que no tenemos todavía es el vínculo decisivo entre los datos de imagen y los datos moleculares de alta dimensión", añade el profesor Dr. Klaus-Robert Müller, catedrático de aprendizaje automático en la Universidad Técnica de Berlín. Ambos investigadores llevan varios años trabajando juntos en el centro nacional de excelencia de IA, el Instituto de Berlín para las Fundaciones del Aprendizaje y los Datos (BIFOLD), situado en la Universidad Técnica de Berlín.
El eslabón perdido entre los datos moleculares e histológicos
Es precisamente esta simbiosis la que hace posible el enfoque recién publicado. "Nuestro sistema facilita la detección de alteraciones patológicas en imágenes microscópicas. Paralelamente, somos capaces de proporcionar visualizaciones precisas de mapas de calor que muestran qué píxel de la imagen microscópica ha contribuido al algoritmo de diagnóstico y en qué medida", explica Müller. El equipo de investigación también ha logrado desarrollar considerablemente este proceso: "Nuestro sistema de análisis ha sido entrenado mediante procesos de aprendizaje automático, de modo que también puede predecir diversas características moleculares, como el estado del ADN, la expresión de genes y la expresión de proteínas en zonas específicas del tejido, a partir de las imágenes histológicas".
Lo siguiente en la agenda es la certificación y otras validaciones clínicas, incluyendo pruebas en el diagnóstico rutinario de tumores. Sin embargo, Frederick Klauschen ya está convencido del valor de la investigación: "Los métodos que hemos desarrollado permitirán en el futuro que el diagnóstico histopatológico de los tumores sea más preciso, más estandarizado y cualitativamente mejor".
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.