Computadora capaz de analizar cáncer de mama

Para la capacitación, las computadoras estudiaron minuciosamente las imágenes, midiendo las diversas estructuras del tumor y tratando de utilizar las estructuras para predecir la supervivencia del paciente. Comparando los resultados con los datos conocidos, las computadoras adaptaron sus modelos para predecir mejor la supervivencia y poco a poco descubrieron qué características de los cánceres son más importantes y cuales son menos importantes en la predicción de la supervivencia.

C-Path, en realidad, evaluó 6.642 factores celulares. Una vez entrenada con un grupo de pacientes, se le pidió a C-Path que evaluara los tejidos de los pacientes con cáncer que no habían verificado antes y el resultado se comparó con los datos conocidos. El sistema C-Path se aplicó a las imágenes microscópicas de dos grupos independientes de pacientes con cáncer de mama. En última instancia, C-Path dio resultados que mostraron una mejora estadísticamente significativa con respecto a la evaluación humana. Los equipos identificaron características estructurales de los cánceres que importan tanto, o más, que aquellos en que se han basado los patólogos por tradición. De hecho, descubrieron que las características de las células cancerosas y las células circundantes, conocidas como el estroma, fueron importantes en la predicción de la supervivencia de la paciente.

El aprendizaje por máquinas puede reducir la variabilidad en los resultados ya que C-Path podría mejorar la exactitud de los pronósticos para todas las víctimas de cáncer de mama. Se podría, igualmente, mejorar la detección de células precancerosas que podrían ayudar a muchas mujeres a evitar el cáncer por completo. Incluso se podría aplicar para predecir la eficacia de las diversas formas de tratamiento y las terapias con medicamentos. En el sentido más amplio, tener equipos que pueden evaluar los tipos de cáncer traerá la patología, de primera clase, a las zonas desatendidas, donde los profesionales capacitados han sido tradicionalmente escasos, mejorando el pronóstico y el tratamiento del cáncer de mama para millones de personas en las zonas en desarrollo del mundo.

Andrew Beck, MD, un estudiante de doctorado en informática biomédica y autor principal del artículo, dijo: “Los patólogos han sido entrenados para mirar y evaluar las estructuras celulares, específicas, de importancia clínica conocida, que se incorporan en la calificación. Sin embargo, los tumores contienen innumerables características adicionales, cuyo significado clínico no ha sido evaluado previamente”. El estudio fue publicado el 9 de noviembre 2011, en la revista Science Translational Medicine.

Enlace relacionado:
Stanford University