Técnica de tinción basada en IA es tan precisa como la histopatología tradicional al evaluar de biomarcadores de cáncer de mama

Tras el diagnóstico de cáncer de mama, la prueba de HER2, una proteína que promueve el crecimiento de células cancerosas, se lleva a cabo de forma rutinaria para ayudar a evaluar el pronóstico del cáncer y hacer planes de tratamiento dirigidos a HER2. Un procedimiento de prueba estándar de HER2 incluye tomar la biopsia de mama, preparar la muestra de tejido en portaobjetos microscópicos delgados, teñir los portaobjetos con reactivos químicos específicos que resaltan las proteínas HER2 e inspeccionar los portaobjetos teñidos bajo un microscopio óptico para proporcionar el informe patológico. Sin embargo, este procedimiento estándar de tinción de HER2 adolece de altos costos y un largo tiempo de respuesta, ya que el proceso de tinción requiere laboriosos pasos de tratamiento de la muestra (generalmente ~24 horas) realizados por expertos en un laboratorio dedicado. Los investigadores ahora han desarrollado un método de tinción computacional impulsado por el aprendizaje profundo, que realiza la tinción de HER2 sin necesidad de productos químicos.

El equipo de investigación de la UCLA (Los Ángeles, CA, EUA) capturó la información de autofluorescencia del tejido mamario sin teñir, que las estructuras biológicas emiten naturalmente cuando absorben luz. Además, entrenaron una red neuronal profunda que transforma rápidamente estas imágenes de autofluorescencia sin tinción en imágenes histológicas virtuales, revelando el color y el contraste precisos como si las secciones de tejido estuvieran teñidas químicamente para HER2. Este proceso de tinción computacional toma solo unos minutos por muestra y no necesita instalaciones costosas ni productos químicos tóxicos. Usando solo una computadora, la tinción de HER2 podría lograrse de manera mucho más rápida y rentable, acelerando las evaluaciones y el tratamiento del cáncer de mama.

Los patólogos certificados por la junta validaron a ciegas esta técnica de tinción de HER2 virtual basada en IA en términos tanto de su valor de diagnóstico como de la calidad de la tinción. Los patólogos confirmaron que las imágenes generadas por aprendizaje profundo brindan la precisión diagnóstica equivalente para la evaluación de HER2 y tienen una calidad de tinción comparable a las imágenes estándar teñidas químicamente en el laboratorio. Este método de tinción de HER2 virtual, impulsado por aprendizaje profundo, elimina la necesidad de procedimientos de tinción de HER2 costosos, laboriosos y lentos realizados por expertos en histología y podría extenderse a la tinción de otros biomarcadores relacionados con el cáncer para acelerar el flujo de trabajo de diagnóstico e histopatología tradicional en entornos clínicos.

Enlaces relacionados:
UCLA