Detección precisa de tumores ofrece orientación quirúrgica en tiempo real

Aunque poco comunes, su incidencia ha ido en aumento, y la cirugía sigue siendo la única opción curativa. Sin embargo, el éxito quirúrgico a menudo depende de los resultados patológicos, que pueden tardar horas o días, lo que retrasa las decisiones y aumenta el riesgo de extirpación incompleta del tumor. Ahora, un nuevo método de imagenología promete proporcionar la detección en tiempo real de estos tumores con alta precisión.

Investigadores de la Universidad de Arizona (Tucson, Arizona, EUA) han desarrollado un potente método de imagen y análisis que combina la microscopía multifotónica sin etiquetas (MPM) con el aprendizaje profundo. Esta técnica utiliza imágenes basadas en luz para capturar la fluorescencia natural del tejido sin teñir ni dañar las muestras. Esto permite una visualización clara de las estructuras tumorales durante la cirugía, lo que facilita una toma de decisiones más rápida y precisa para el tratamiento del cáncer.

En el estudio, publicado en Biophotonics Discovery, el equipo utilizó MPM para escanear muestras de tejido pancreático en busca de marcadores fluorescentes naturales como colágeno, NADH, FAD, lipofuscinas y porfirinas. Estos biomarcadores ayudan a distinguir entre tejido sano y canceroso. Para clasificar las imágenes, los investigadores entrenaron un algoritmo de aprendizaje automático (ML) y cuatro redes neuronales convolucionales (CNN), enseñándoles a reconocer diferencias sutiles entre tejido tumoral y normal.

Las CNN alcanzaron precisiones de clasificación de entre el 90,8 % y el 96,4 %, superando al modelo de aprendizaje automático tradicional, que alcanzó una precisión del 80,6 %. Los modelos se probaron con muestras de múltiples biorepositorios, demostrando su robustez en diversas fuentes. El análisis del algoritmo de aprendizaje automático reveló que los niveles de colágeno y el contraste de la imagen eran indicadores clave de cáncer, ofreciendo información biológica sobre las características del tejido PNEN.

Además de su alta precisión, el estudio reveló que las imágenes MPM son considerablemente más rápidas que la histología convencional y podrían adaptarse para uso intraoperatorio. Los trabajos futuros se centrarán en probar la técnica con tejido fresco durante la cirugía y ampliar sus capacidades para determinar el grado y el tipo de tumor. Estos avances podrían convertir la patología digital automatizada en tiempo real en una realidad clínica.

Esta integración de imágenes ópticas e inteligencia artificial representa un paso adelante en la oncología de precisión, reduciendo potencialmente las cirugías repetidas y mejorando los resultados quirúrgicos para los pacientes con cáncer de páncreas.

Enlaces relacionados:
Universidad de Arizona