Imágenes ópticas sin etiquetas impulsadas por IA identifican cáncer de tiroides durante cirugía

Durante la extirpación de un tumor, los cirujanos a menudo se enfrentan a la incertidumbre de distinguir el tejido canceroso de las estructuras sanas, lo que aumenta el riesgo de una escisión incompleta o una cirugía innecesaria. Las herramientas de diagnóstico actuales, como la aspiración con aguja fina y la patología postoperatoria, son precisas, pero lentas y no ofrecen orientación en tiempo real en el quirófano. Una nueva investigación demuestra un enfoque de imagen óptica sin etiquetas, combinado con inteligencia artificial (IA), que puede identificar y localizar rápidamente el tejido canceroso de tiroides.

Investigadores de la Universidad de Duke (Durham, Carolina del Norte, EUA) y la Universidad de California en Los Ángeles (UCLA, Los Ángeles, CA, EUA) emplearon la Imagen de Contraste Óptico Dinámico (DOCI), una técnica que ilumina el tejido y mide su autofluorescencia natural en lugar de utilizar tintes o agentes de contraste. Cada escaneo DOCI captura datos de 23 canales ópticos en un amplio campo de visión, generando una huella espectral detallada que refleja la biología tisular subyacente.

Se obtuvieron imágenes de muestras de tiroides recién extirpadas mediante DOCI y se analizaron con un sistema de aprendizaje automático de dos etapas. En la primera etapa, un modelo de clasificación interpretable destiló datos ópticos complejos en un pequeño conjunto de características para categorizar el tejido como sano, cáncer de tiroides folicular o cáncer de tiroides papilar. En la segunda etapa, se aplicaron modelos de aprendizaje profundo basados en la arquitectura U-Net para generar mapas espaciales de probabilidad tumoral, identificando la ubicación precisa de las regiones cancerosas en cada muestra.

Los hallazgos, publicados en Biophotonics Discovery, muestran que el sistema de IA clasificó con precisión los tipos de tejido tiroideo y logró una precisión perfecta en un conjunto de pruebas independiente. Cabe destacar que también identificó correctamente muestras de cáncer de tiroides anaplásico agresivo como malignas, a pesar de no haber sido entrenados explícitamente para ese subtipo. Los modelos de segmentación de aprendizaje profundo generaron mapas tumorales de alta precisión, en particular para el cáncer de tiroides papilar, manteniendo tasas de falsos positivos muy bajas en tejido sin cáncer.

Aunque el estudio actual analizó tejido tras la extirpación quirúrgica, los resultados apuntan a su uso intraoperatorio en el futuro. Al proporcionar una visualización rápida y sin etiquetas de los márgenes del cáncer, la DOCI combinada con IA podría ayudar a los cirujanos a extirpar tumores con mayor precisión, reducir las reintervenciones y preservar el tejido sano. Con un mayor desarrollo, este enfoque podría ofrecer guía en tiempo real en el quirófano, mejorando así los resultados de los pacientes con cáncer de tiroides.

Enlaces relacionados:
Universidad de Duke
Universidad de California en Los Ángeles (UCLA)