Modelo de IA analiza células en muestras de tejido sin necesidad de un patólogo capacitado

En los casos en que los tumores sólidos están presentes en un paciente con cáncer, el cirujano generalmente envía una muestra de biopsia a un patólogo para una evaluación rápida. El patólogo debe determinar, entre otras cosas, si el tejido está sano, el grado de propagación del cáncer a los órganos, etc. El proceso de diagnóstico intraoperatorio tradicional es laborioso, requiere mucho tiempo y muchos recursos. Ahora, los científicos han desarrollado una nueva técnica que puede realizar un análisis confiable de tumores sólidos en tan solo 30 minutos, sin necesidad de un patólogo capacitado.

Un equipo de investigación del Instituto Max Planck para la Ciencia de la Luz (MPL, Erlangen, Alemania) ha creado una técnica novedosa que permite a los médicos analizar células en muestras de tejido de pacientes con cáncer de forma rápida y precisa, sin necesidad de la experiencia de un patólogo capacitado. El equipo utilizó inteligencia artificial (IA) para evaluar los datos generados por su método. Para su estudio, los investigadores utilizaron un molinillo de tejidos para separar rápidamente las muestras de biopsia hasta el nivel de una sola célula. Posteriormente, estas células individuales se analizaron mediante citometría de deformabilidad en tiempo real (RT-DC), un método sin etiquetas y capaz de examinar las propiedades físicas de hasta 1.000 células por segundo. Este método es 36.000 veces más rápido que los métodos convencionales utilizados para evaluar la deformabilidad celular.

La RT-DC implica empujar células individuales a alta velocidad a través de un canal microscópico, donde sufren deformación debido al estrés y la presión. Se capturan imágenes de cada célula, que luego los científicos utilizan para determinar una variedad de características físicas de las células, incluido su tamaño, forma y deformabilidad. Sin embargo, realizar únicamente de un análisis físico de las células es insuficiente para fines de diagnóstico. Los médicos deben ser capaces de interpretar estos resultados de forma independiente, sin necesidad de contar con la experiencia de un patólogo o médico capacitado.

Por lo tanto, para lograr esto, los investigadores combinaron el molinillo de tejidos y RT-DC con IA. El modelo de IA evalúa los extensos y complejos conjuntos de datos obtenidos a través del análisis RT-DC y evalúa rápidamente si una muestra de biopsia contiene tejido canceroso o no. Además, el uso de la IA confirmó la importancia de la deformabilidad celular como biomarcador, ya que los resultados fueron notablemente inferiores cuando la IA no se entrenó con esta variable.

En general, el procedimiento completo, que incluye el procesamiento de muestras y el análisis de datos automatizado, se puede ejecutar en menos de 30 minutos, lo que lo hace lo suficientemente rápido como para realizarlo durante la cirugía. Una ventaja significativa de este método es que no requiere la disponibilidad inmediata de un patólogo para analizar la muestra. Esto es particularmente ventajoso ya que las consultas intraoperatorias pueden no ser siempre factibles y, en algunos casos, las muestras solo pueden examinarse después de que se completa la cirugía. Según los resultados, es posible que los pacientes deban regresar al hospital para someterse a una cirugía adicional, a menudo días después. Además de detectar la presencia de tumores, esta técnica también se utilizó para detectar la inflamación de los tejidos en un modelo de enfermedad inflamatoria intestinal (EII). En el futuro, este método podría ayudar a los médicos a evaluar la gravedad de la enfermedad o distinguir entre varios tipos de EII. El equipo tiene como objetivo eventualmente hacer la transición de su método a un entorno clínico para respaldar o incluso suplantar el análisis patológico tradicional.

“Este fue un estudio de prueba de concepto: el método pudo determinar con precisión la presencia de tejido tumoral en nuestras muestras muy rápidamente”, dijo la Dra. Despina Soteriou, miembro del equipo de investigación. “El siguiente paso será continuar trabajando muy de cerca con los médicos para determinar cómo este método puede traducirse mejor a la clínica”.

Enlaces relacionados:
MPL