Integración de IA con tecnología de imagen óptica permite un diagnóstico intraoperatorio rápido

Las evaluaciones intraoperatorias tradicionales, como las secciones congeladas basadas en histología H&E, exigen tiempo, recursos y mano de obra y también plantean preocupaciones sobre el consumo de muestras. D-FFOCT, una tecnología de imágenes ópticas de alta resolución, permite la generación rápida de histología virtual. Los investigadores ahora han desarrollado un flujo de trabajo de diagnóstico intraoperatorio que utiliza algoritmos de aprendizaje profundo para clasificar tumores a partir de imágenes D-FFOCT, ofreciendo un diagnóstico rápido y automatizado para la toma de decisiones quirúrgicas.

Un estudio de cohorte prospectivo realizado por investigadores del Hospital Popular de la Universidad de Pekín (Beijing, China) incluyó 224 muestras de mama obtenidas con D-FFOCT. Esta técnica de imagen no es destructiva y no requiere preparación ni tinción del tejido. Las imágenes D-FFOCT se segmentaron en parches y las diapositivas se asignaron en un conjunto de entrenamiento (182 diapositivas, 10.357 parches) y un conjunto de prueba externo (42 diapositivas, 3.140 parches) según el orden en que se recopilaron. Se empleó un método de validación cruzada quíntuple para entrenar y ajustar el modelo. Un modelo de aprendizaje automático agregó los resultados de la predicción de parches al nivel de diapositiva después de la extracción de características.

El conjunto de pruebas mostró que el modelo funcionó bien a nivel de parche, identificando tipos de tejido mamario con un AUC de 0,926 (IC del 95 %: 0,907–0,943). A nivel de portaobjetos, la precisión diagnóstica alcanzó el 97,62 %, con una sensibilidad del 96,88 % y una especificidad del 100 %. La precisión no difirió significativamente entre los distintos subtipos moleculares y tipos de tumores histológicos de cáncer de mama. Los mapas de calor de visualización demostraron que los modelos de aprendizaje profundo podían identificar características correspondientes a grupos de células metabólicamente activas en imágenes D-FFOCT, alineándose con evaluaciones de expertos. Este enfoque de análisis de imágenes podría extenderse potencialmente a varios tipos de tumores, dadas las características conservadas detectadas en el modelo. En un experimento de simulación de márgenes, el proceso de diagnóstico duró unos tres minutos y el modelo de aprendizaje profundo logró una alta precisión del 95,24%.

Con base en los resultados, el estudio propuso un flujo de trabajo de diagnóstico de cáncer intraoperatorio que integra D-FFOCT con un modelo de aprendizaje profundo. En el diagnóstico de márgenes intraoperatorio simulado, el flujo de trabajo redujo sustancialmente el tiempo de diagnóstico aproximadamente diez veces en comparación con los métodos tradicionales y demostró ser altamente rentable en términos de mano de obra. No se destruyó ningún tejido durante el análisis y la obtención de imágenes ópticas. En general, este flujo de trabajo ofrece una solución transparente para un diagnóstico intraoperatorio rápido y preciso, que potencialmente puede guiar las decisiones quirúrgicas de forma eficaz.

Enlaces relacionados:
Hospital Popular de la Universidad de Pekín