Análisis de imágenes de patología digital con IA mejora subtipificación del sarcoma pediátrico

Estos sarcomas se clasifican en diferentes subtipos según diversos factores, como el tejido de origen y diversas características moleculares. Clasificar con precisión el subtipo de sarcoma de un paciente es crucial, ya que ayuda a orientar las decisiones de tratamiento y optimizar los resultados. Desafortunadamente, debido a la heterogeneidad de los sarcomas, la clasificación puede ser extremadamente difícil. Esto a menudo requiere pruebas moleculares y genéticas complejas, junto con la revisión externa por parte de patólogos altamente especializados que se basan en habilidades de reconocimiento de patrones desarrolladas durante años de formación. Dichos recursos no siempre están disponibles en muchos entornos sanitarios. Ahora, los hallazgos de un estudio presentado en la Reunión Anual 2025 de la Asociación Americana para la Investigación del Cáncer (AACR) han demostrado que un modelo basado en inteligencia artificial (IA) puede clasificar con precisión los sarcomas pediátricos utilizando únicamente imágenes patológicas digitales.

En su estudio, investigadores de UConn Health (Farmington, CT, EUA) y sus colaboradores exploraron el potencial de la IA para identificar subtipos de sarcoma pediátrico con alta precisión. Utilizaron 691 imágenes digitales de portaobjetos de patología de varios colaboradores, que representan nueve subtipos distintos de sarcoma, para entrenar algoritmos de IA que detectaran patrones específicos de cada subtipo. Al digitalizar los portaobjetos de patología tisular, los investigadores pudieron convertir la información visual que un patólogo suele examinar en datos numéricos que una computadora puede procesar. De forma similar a cómo los teléfonos inteligentes pueden identificar el rostro de una persona en fotos y organizarlas en álbumes, los modelos de IA aprendieron a reconocer patrones morfológicos tumorales en los portaobjetos digitalizados y a categorizarlos en grupos de diagnóstico vinculados a subtipos específicos de sarcoma. Para garantizar la coherencia, los investigadores desarrollaron y aplicaron software de código abierto para armonizar las imágenes recopiladas de diferentes instituciones, teniendo en cuenta las diferencias de formato, tinción, aumento y otras variables. Luego, las imágenes armonizadas se dividieron en pequeños mosaicos, que se analizaron utilizando modelos de aprendizaje profundo que extrajeron datos numéricos para una evaluación posterior mediante un nuevo método estadístico.

Este método estadístico generó resúmenes de características para cada portaobjetos, que luego fueron evaluados por los algoritmos de IA entrenados para asignar los portaobjetos a subtipos específicos. En experimentos de validación, los modelos de IA identificaron con éxito subtipos de sarcoma con alta precisión. Específicamente, los modelos distinguieron entre sarcoma de Ewing y otros tipos de sarcoma en el 92,2 % de los casos, sarcomas de tejidos blandos no rabdomiosarcoma y sarcomas de tejidos blandos rabdomiosarcoma en el 93,8 % de los casos, rabdomiosarcoma alveolar y rabdomiosarcoma embrionario en el 95,1 % de los casos, y rabdomiosarcoma alveolar, rabdomiosarcoma embrionario y rabdomiosarcoma de células fusiformes en el 87,3 % de los casos. Una limitación del estudio fue el número relativamente pequeño de imágenes de patología disponibles para entrenar los algoritmos de IA. Sin embargo, los investigadores señalaron que, dada la rareza de los sarcomas pediátricos, su conjunto de datos de imágenes es probablemente la colección multicéntrica más grande de sarcomas pediátricos hasta la fecha, abarcando una amplia gama de subtipos, ubicaciones anatómicas y datos demográficos de pacientes.

“Nuestros hallazgos demuestran que los modelos basados en IA pueden diagnosticar con precisión varios subtipos de sarcoma pediátrico utilizando únicamente imágenes patológicas de rutina. Este modelo impulsado por IA podría ayudar a que más pacientes pediátricos accedan a diagnósticos de cáncer rápidos, ágiles y altamente precisos, independientemente de su ubicación geográfica o entorno de atención médica”, afirmó Adam Thiesen, candidato a doctorado en UConn Health. “Nuestros modelos están diseñados para que se puedan agregar y entrenar nuevas imágenes con un mínimo equipo computacional”, añadió. “Tras el procesamiento estándar de datos, los profesionales clínicos podrían, en teoría, usar nuestros modelos en sus propios portátiles, lo que podría aumentar considerablemente la accesibilidad incluso en entornos con recursos limitados”.

Enlaces relacionados:
UConn Health