Herramienta citológica de aprendizaje automático mejora la identificación de células cancerosas

El cribado citológico sigue siendo fundamental para la detección temprana del cáncer, pero su precisión depende en gran medida de la interpretación experta de las células teñidas. Bajo microscopía convencional, las células malignas y reactivas pueden parecer casi idénticas porque algunas de sus características distintivas se encuentran por debajo del límite de difracción. Sin embargo, los cambios submicrométricos en la estructura del citoesqueleto pueden alterar la forma en que las células dispersan la luz y proporcionar una señal objetiva adicional para la clasificación. Un nuevo estudio muestra ahora que el análisis de aprendizaje automático de los espectros de dispersión de la luz puede distinguir tipos de células cancerosas difíciles de clasificar en muestras citológicas.

Investigadores del Instituto de Ciencia y Tecnología de Nara (NAIST; Nara, Japón) desarrollaron un flujo de trabajo que combina la microscopía de campo oscuro con aprendizaje automático para clasificar células en muestras citológicas de rutina. El sistema capta la dispersión de luz blanca de cada célula en longitudes de onda de 420–720 nanómetros, generando espectros que reflejan características estructurales nanométricas. Estos espectros se reducen mediante análisis de componentes principales (PCA) y luego se clasifican con una máquina de vectores de soporte (SVM).

El equipo evaluó muestras citológicas que contenían células cancerosas de mesotelioma y células mesoteliales reactivas morfológicamente similares. Tras el entrenamiento, el modelo diferenció estos tipos celulares con una precisión de alrededor del 91 % en una validación basada en pacientes. El enfoque también mostró potencial para distinguir células de cáncer gástrico y urotelial, así como varios tipos de células tumorales pulmonares y torácicas, aunque el rendimiento varió según el tipo de tumor y el método de validación.

Los hallazgos se publicaron en Scientific Reports el 3 de agosto de 2026. Entre los colaboradores figuraron la Facultad de Medicina de la Universidad Kindai, el Hospital de Nara, el Hospital de la Universidad Médica de Hyogo, la Facultad de Medicina de la Universidad Médica de Hyogo y el Instituto de Tecnología de Osaka.

El estudio se presenta como una prueba de concepto para complementar la citología convencional con información de dispersión de la luz en apoyo de la toma de decisiones diagnósticas. El equipo está optimizando los parámetros ópticos y los protocolos de funcionamiento y aplicando métodos avanzados de aprendizaje automático para lograr nuevas mejoras en la precisión.

“El resultado implica que el espectro de dispersión de la luz, que contiene información a escala submicrométrica, es muy sensible para detectar diferencias entre tipos celulares en comparación con la inspección visual o el análisis de imágenes”, dijo Yuka Tsuri, profesora asistente en el Instituto de Ciencia y Tecnología de Nara.

“Integrar este sistema espectroscópico con un microscopio podría servir como una poderosa ayuda para los patólogos y potencialmente mejorar la precisión de sus diagnósticos”, añadió Tsuri.

Enlaces relacionados
Instituto de Ciencia y Tecnología de Nara 

Visitar la expo >

Miembro Platino

Analizador de coagulación automatizado

Hemolumi H6

Miembro Oro

Electrolyte Analyzer

CBS-4000 (CBS-400)

Automated Urinalysis Solution

UN-9000

New

Nucleic Acid Purification Instrument

QIAsymphony Connect