Biopsia virtual impulsada por IA ayuda a evaluar cáncer de pulmón a partir de exploraciones médicas

El cáncer de pulmón, la principal causa de muertes relacionadas con el cáncer, presenta un desafío en gran medida debido a la ausencia de síntomas en sus primeras etapas. Esto subraya la necesidad urgente de nuevos métodos para detectar y tratar la enfermedad antes de que haga metástasis. Por lo general, los pacientes que presentan síntomas de cáncer de pulmón se someten a procedimientos de diagnóstico como radiografías de tórax y tomografías computarizadas (TC), que también pueden revelar si el cáncer se ha extendido. Cuando es posible, se toma una biopsia para que los científicos clínicos la examinen bajo un microscopio, identificando el tipo de cáncer de pulmón, lo cual es crucial para determinar el plan de tratamiento más eficaz. Además, una prueba más reciente, conocida como perfil metabolómico, requiere una biopsia de tejido y ofrece información más profunda de la composición química y metabólica de las células tumorales, proporcionando información vital sobre cómo puede progresar el cáncer. Sin embargo, esta prueba no se utiliza comúnmente en los hospitales debido a su naturaleza laboriosa y que requiere mucho tiempo.

Últimamente, la inteligencia artificial (IA), en particular la IA generativa que puede crear nuevo contenido a partir de datos aprendidos, se utiliza cada vez más en el campo de las imágenes médicas para detectar enfermedades que los médicos humanos podrían pasar por alto o que son imperceptibles a simple vista. Ahora, investigadores del Colegio Imperial de Londres (Londres, Reino Unido) han desarrollado un sistema que integra las TC con el perfil químico tanto de los tumores como del tejido pulmonar normal. Esta innovación no sólo clasifica el tipo de cáncer de pulmón sino que también proporciona predicciones precisas sobre los resultados de los pacientes. Por primera vez, el uso de imágenes médicas combinadas con IA ofrece lo que podría considerarse una "biopsia virtual" para pacientes con cáncer. Esta técnica no invasiva es clave para identificar los tipos de cáncer de pulmón y predecir la progresión del cáncer, especialmente cuando una biopsia física de tejido es inviable o inapropiada.

Para la investigación, el equipo se propuso determinar si la información química de los tumores de pulmón, tal como se indica en su perfil metabolómico podría detectarse en las TC. La construcción de un modelo de IA requirió entrenamiento con datos de pacientes que se sometieron a exploraciones médicas, recibieron diagnósticos definitivos y para quienes hay información clínica adicional disponible. Utilizando datos de 48 pacientes tratados por cáncer de pulmón, cada uno de los cuales se sometió a una TC y a un perfil metabolómico detallado de su tumor y el tejido sano adyacente, el equipo creó una herramienta de aprendizaje profundo impulsada por IA llamada TC-radiómica-metabolómica de tejido (TMR-CT). Descubrieron un vínculo fuerte y significativo entre los perfiles metabolómicos de los pacientes y las "características profundas" en sus tomografías computarizadas, que se manifiestan como variaciones en el brillo u oscuridad de las imágenes.

Los investigadores plantearon la hipótesis de que este método podría eliminar la necesidad de muestras físicas de tejido, permitiendo inferir las características metabólicas del tumor directamente a partir de TC. Para validar esto, aplicaron el modelo TMR-CT a un grupo separado de 723 pacientes con cáncer de pulmón que se habían sometido a TC pero carecían de datos metabolómicos. Los hallazgos fueron notables: TMR-CT categorizó de manera competente los tipos de cáncer de pulmón y proporcionó predicciones confiables sobre los resultados de los pacientes, superando las metodologías y evaluaciones clínicas tradicionales basadas en TC. El equipo tiene la esperanza de confirmar la eficacia de TMR-CT en otros grupos de pacientes, incluidos aquellos con cánceres de cerebro, ovario y endometrio, donde la obtención de biopsias suele ser un desafío. En el futuro, esta técnica podría integrarse en escáneres de imágenes médicas comerciales como un algoritmo, revolucionando así el diagnóstico del cáncer.

"Esta investigación muestra el potencial del uso de TC para obtener una comprensión más profunda y matizada de la composición química del tejido y del tumor, a la que hasta ahora sólo se podía acceder a través del muestreo directo de tejido", dijo el profesor Eric Aboagye, del Departamento de Cirugía y Cáncer del Imperial. "Este método podría resultar particularmente beneficioso en países como el Reino Unido, donde la prevalencia del cáncer de pulmón es alta, y potencialmente transformar los protocolos de diagnóstico y tratamiento".

Enlaces relacionados:
Colegio Imperial de Londres

Visitar la expo >

Wall Fixtures

MRI SERIES

Ultrasonic Pocket Doppler

SD1

Ultra-Flat DR Detector

meX+1717SCC

X-Ray Illuminator

X-Ray Viewbox Illuminators