Imagenología espectroscópica en el IR ayuda para el diagnóstico del cáncer de colon
Por el equipo editorial de MedImaging en español Actualizado el 09 Sep 2019 |
Imagen: Un estudio nuevo afirma que las imágenes químicas de la FTIR pueden ayudar a identificar el cáncer de colon con mayor exactitud (Fotografía cortesía de ICL).
Según un estudio nuevo, las imágenes espectroscópicas infrarrojas con transformación de Fourier (FTIR) pueden producir ‘fotografías químicas’ de muestras de tejido de biopsia que van desde la sanas a las cancerosas.
Investigadores del Colegio Imperial de Londres (Imperial; Reino Unido) y la Universidad de Columbia Británica (UBC; Vancouver, Canadá) realizaron la obtención de imágenes espectroscópicas FTIR de tejidos de biopsia de colon, y las combinaron con un enfoque aleatorio de aprendizaje automático (ML) de máquinas forestales (NM) para clasificar las diferentes etapas de las neoplasias malignas del cáncer de colon. La combinación de los enfoques computacionales ópticos y del ML ayudó a eliminar la dispersión de fondo durante las mediciones. Los resultados demostraron que el estiramiento CH y que las bandas amida I tienen poca o ninguna importancia para la clasificación de las neoplasias malignas del colon.
El mejor resultado de predicción se encontró cuando la clasificación se realizó en la región de huellas dactilares del espectro infrarrojo medio (7-10 micras; 1500-1000 cm−1), con lo que se excluye la contribución de las bandas de amida I y II. La exactitud general de la predicción fue superior al 90%, con una excelente diferenciación de los tejidos displásicos e hiperplásicos. El estudio también mostró que la corrección computacional funcionó mejor que la corrección óptica, y que los estados de enfermedad se pueden diferenciar efectivamente incluso sin eliminar los efectos de dispersión. El estudio fue publicado el 16 de agosto de 2019, en la revista Analytical and Bioanalytical Chemistry.
“Es urgente desarrollar nuevas técnicas que puedan identificar las primeras etapas del cáncer, de una manera que vaya más allá de los métodos de histopatología actuales, para aumentar las tasas de supervivencia. El acoplamiento de imágenes espectroscópicas con enfoques avanzados de ML ayuda a la detección temprana y a la comprensión del cáncer”, dijo el autor principal, el profesor Sergei Kazarian, PhD, del departamento de ingeniería química del ICL. “Existe la emoción de tener una exactitud mejorada que promete avances en la detección temprana del cáncer y la diferenciación de las etapas de la enfermedad”.
Las imágenes FTIR implican hacer brillar un haz infrarrojo sobre una muestra y medir la cantidad de esa luz que se absorbe a diferentes frecuencias, que se utiliza para producir una referencia visual de la composición química de la muestra. Y aunque el estudio se restringió al cáncer de colon, los investigadores ya han creado modelos, que tienen el potencial de poder ser aplicados a otros cánceres difíciles de diagnosticar, como el cáncer de esófago e incluso anomalías no cancerosas.
Enlace relacionado:
Colegio Imperial de Londres
Universidad de Columbia Británica
Investigadores del Colegio Imperial de Londres (Imperial; Reino Unido) y la Universidad de Columbia Británica (UBC; Vancouver, Canadá) realizaron la obtención de imágenes espectroscópicas FTIR de tejidos de biopsia de colon, y las combinaron con un enfoque aleatorio de aprendizaje automático (ML) de máquinas forestales (NM) para clasificar las diferentes etapas de las neoplasias malignas del cáncer de colon. La combinación de los enfoques computacionales ópticos y del ML ayudó a eliminar la dispersión de fondo durante las mediciones. Los resultados demostraron que el estiramiento CH y que las bandas amida I tienen poca o ninguna importancia para la clasificación de las neoplasias malignas del colon.
El mejor resultado de predicción se encontró cuando la clasificación se realizó en la región de huellas dactilares del espectro infrarrojo medio (7-10 micras; 1500-1000 cm−1), con lo que se excluye la contribución de las bandas de amida I y II. La exactitud general de la predicción fue superior al 90%, con una excelente diferenciación de los tejidos displásicos e hiperplásicos. El estudio también mostró que la corrección computacional funcionó mejor que la corrección óptica, y que los estados de enfermedad se pueden diferenciar efectivamente incluso sin eliminar los efectos de dispersión. El estudio fue publicado el 16 de agosto de 2019, en la revista Analytical and Bioanalytical Chemistry.
“Es urgente desarrollar nuevas técnicas que puedan identificar las primeras etapas del cáncer, de una manera que vaya más allá de los métodos de histopatología actuales, para aumentar las tasas de supervivencia. El acoplamiento de imágenes espectroscópicas con enfoques avanzados de ML ayuda a la detección temprana y a la comprensión del cáncer”, dijo el autor principal, el profesor Sergei Kazarian, PhD, del departamento de ingeniería química del ICL. “Existe la emoción de tener una exactitud mejorada que promete avances en la detección temprana del cáncer y la diferenciación de las etapas de la enfermedad”.
Las imágenes FTIR implican hacer brillar un haz infrarrojo sobre una muestra y medir la cantidad de esa luz que se absorbe a diferentes frecuencias, que se utiliza para producir una referencia visual de la composición química de la muestra. Y aunque el estudio se restringió al cáncer de colon, los investigadores ya han creado modelos, que tienen el potencial de poder ser aplicados a otros cánceres difíciles de diagnosticar, como el cáncer de esófago e incluso anomalías no cancerosas.
Enlace relacionado:
Colegio Imperial de Londres
Universidad de Columbia Británica
Últimas Imaginología General noticias
- Detección del cáncer de pulmón mediante TC de dosis baja puede beneficiar a los fumadores empedernidos
- Algoritmo de IA reduce la exposición innecesaria a la radiación en las TC neurorradiológicas traumáticas
- Nueva solución mejora el control de calidad y diagnóstico basados en IA en imágenes médicas
- Herramienta de IA detecta fracturas de la columna cervical a partir de tomografías computarizadas
- Detector de panel plano acelera la obtención de imágenes y el diagnóstico
- Herramienta de IA predice con precisión los resultados de la extracción de coágulos arteriales
- Dispositivo de neuroimagen permite escaneos cerebrales por PET mientras se camina
- Las tomografías computarizadas rutinarias pueden identificar a personas en riesgo de diabetes tipo 2
- Algoritmo basado en IA reduce significativamente las tasas de error en la detección de embolia pulmonar
- Una plataforma de próxima generación para el análisis interactivo de placas evalúa el riesgo de enfermedad coronaria
- Sistema innovador de PET cerebral ayuda en el diagnóstico de trastornos neurológicos
- Sistema PET de ultra alto rendimiento proporciona imágenes cerebrales nunca antes vistas
- Herramienta de inteligencia artificial mejora la usabilidad de imágenes médicas
- Nueva herramienta de IA detecta con precisión seis tipos diferentes de cáncer en escáneres PET/TC de cuerpo entero
- Técnica de imágenes innovadora ayuda a evaluar la pérdida ósea después de la cirugía bariátrica
- Software de imágenes mejora diagnóstico pulmonar en pacientes alérgicos al medio de contraste