IA predice con precisión resultados del cáncer a partir de muestras de tejido

Los patólogos suelen examinar las muestras de tejido de los pacientes en portaobjetos, un proceso integral para el diagnóstico. Este método tradicional, aunque eficaz, requiere mucho tiempo y está sujeto a variabilidad en las interpretaciones entre diferentes patólogos. Además, algunos detalles sutiles en las imágenes de patología podrían escapar a la observación humana, pero podrían contener información crítica sobre el estado de salud de un paciente. En los últimos años, se han desarrollado varios modelos de inteligencia artificial (IA) para realizar determinadas tareas usualmente realizadas por los patólogos, como clasificar tipos de células o medir las interacciones celulares en función de la proximidad. Sin embargo, estos modelos no han capturado completamente los aspectos más complejos del análisis de imágenes de tejidos que realizan los patólogos, incluido el reconocimiento de disposiciones espaciales celulares complejas y el filtrado de "ruidos" de imágenes irrelevantes que podrían distorsionar las interpretaciones. Para abordar esta brecha, los investigadores han introducido un modelo innovador de IA que es capaz de examinar la organización espacial de las células dentro de muestras de tejido, ofreciendo predicciones precisas sobre los resultados de los pacientes con cáncer y nuevas perspectivas para el pronóstico del cáncer asistido por IA y planes de tratamiento personalizados.

Esta herramienta de inteligencia artificial, denominada Ceograph, creada por investigadores del UT Southwestern Medical Center (Dallas, TX, EUA), imita el enfoque adoptado por los patólogos para examinar portaobjetos de tejido. Comienza identificando las células y sus respectivas posiciones dentro de la imagen. Luego clasifica los tipos de células y delinea sus formas y distribuciones espaciales, creando un mapa completo donde se detallan para su análisis la disposición, dispersión e interacciones entre las células. El equipo validó Ceograph en tres escenarios clínicos utilizando portaobjetos de patología. En un caso, Ceograph distinguió entre dos tipos de cáncer de pulmón: adenocarcinoma y carcinoma de células escamosas. En otro, midió el riesgo de progresión de afecciones orales potencialmente cancerosas a malignidad. Finalmente, identificó a los pacientes con cáncer de pulmón con mayor probabilidad de beneficiarse de los inhibidores del receptor del factor de crecimiento epidérmico.

En cada escenario, el desempeño de Ceograph en la predicción de los resultados de los pacientes superó a los métodos tradicionales. En particular, los conocimientos sobre la organización espacial celular proporcionados por Ceograph no solo son interpretables sino que también arrojan luz sobre las implicaciones biológicas de las distintas interacciones espaciales entre células individuales. Estos avances resaltan el papel cada vez más vital que puede desempeñar la IA en la atención médica, particularmente en la mejora de la precisión y eficiencia de los análisis patológicos. Esta tecnología promete perfeccionar las estrategias preventivas para personas con alto riesgo y adaptar las opciones de tratamiento para satisfacer las necesidades únicas de cada paciente.

"La organización espacial celular es como un complejo rompecabezas en el que cada célula sirve como una pieza única, que encaja meticulosamente para formar un tejido cohesionado o una estructura de órgano", dijo el líder del estudio, Guanghua Xiao, Ph.D. "Esta investigación muestra la notable capacidad de la IA para captar estas intrincadas relaciones espaciales entre las células dentro de los tejidos, extrayendo información sutil que antes estaba más allá de la comprensión humana al tiempo que predice los resultados de los pacientes".

Enlaces relacionados:
UT Southwestern Medical Center  

Visitar la expo >

Miembro Oro

Lector rapido de tarjetas

EASY READER+

KIT DE PRUEBA POC PARA H.PYLORI
Hepy Urease Test

Sperm Quality Analyis Kit

QwikCheck Beads Precision and Linearity Kit

CONTROL QUÍMICO DE LA ORINA

Dropper Urine Chemistry Control