Sistema de patología clasifica múltiples tipos de cáncer a partir de pocas muestras

Los patólogos son esenciales para el diagnóstico y la planificación del tratamiento del cáncer, pero la escasez mundial de profesionales está sobrecargando los servicios. Cada año se diagnostican casi 20 millones de casos nuevos, y las herramientas tradicionales de inteligencia artificial (IA) requieren conjuntos de datos masivos y un reentrenamiento constante para cada tipo de tumor. Estos obstáculos ralentizan su implementación, especialmente en diversos entornos clínicos. Ahora, investigadores presentan un sistema de patología tipo “plug-and-play” que clasifica múltiples cánceres a partir de solo unas pocas láminas anotadas.

En la Universidad de Ciencia y Tecnología de Hong Kong (HKUST), los investigadores desarrollaron PRET (Reconocimiento Pancáncer sin Entrenamiento con Ejemplos), un sistema de análisis patológico diseñado para reconocer múltiples tipos de tumores a partir de muestras mínimas sin necesidad de entrenamiento adicional. Concebido como una herramienta tipo “plug-and-play” para patología digital, PRET está orientado a tareas diagnósticas rutinarias que pueden sobrecargar los flujos de trabajo de laboratorio.

El sistema aplica el “aprendizaje contextual”, una estrategia adaptada del procesamiento del lenguaje natural, al análisis de imágenes de portaobjetos completos. Durante la inferencia, PRET se adapta a nuevos tipos de cáncer y tareas consultando solo entre una y ocho diapositivas tumorales anotadas, en lugar de depender de un ajuste fino específico para cada tarea. Se describe que este enfoque facilita la detección precoz del cáncer, la subtipificación tumoral, la segmentación tumoral y la detección de metástasis en los ganglios linfáticos.

La validación se basó en 23 conjuntos de datos de referencia internacionales de instituciones de China continental, Estados Unidos y los Países Bajos, que abarcan 18 tipos de cáncer y múltiples tareas de diagnóstico. PRET demostró una generalización estable y sólida en diferentes poblaciones y regiones con recursos médicos variables. La evaluación abordó criterios de valoración clínicamente relevantes en diversos entornos.

En estos conjuntos de datos, el sistema superó a los métodos existentes en 20 tareas. Su área bajo la curva (AUC), una medida de precisión diagnóstica, superó el 97 % en 15 tareas; los resultados incluyeron un AUC del 100 % en la detección del cáncer colorrectal y del 99,54 % en la segmentación de tumores de carcinoma de células escamosas de esófago. Para la detección de metástasis en ganglios linfáticos, PRET alcanzó un AUC de aproximadamente el 98,71 % utilizando solo ocho muestras de portaobjetos, superando el rendimiento promedio de 11 patólogos, cuyo AUC promedio fue de aproximadamente el 81 %.

El estudio se publicó en Nature Cancer. Entre las instituciones colaboradoras se encuentran el Hospital Provincial Popular de Guangdong y la Facultad de Medicina de Harvard. El equipo planea seguir mejorando el rendimiento y ampliar las aplicaciones a la predicción de mutaciones genéticas y la evaluación del pronóstico del paciente.

"El valor fundamental del sistema PRET reside en derribar las barreras tradicionales de "datos masivos y entrenamiento repetitivo", lo que permite aplicar sistemas de patología basados en IA en entornos clínicos reales a un menor coste y con mayor flexibilidad. Esto no solo ayuda a aliviar la carga de trabajo de los patólogos, sino que también tiene el potencial de mejorar el acceso al diagnóstico del cáncer en regiones desatendidas", afirmó el profesor Li Xiaomeng, profesora asistente del Departamento de Ingeniería Electrónica e Informática y subdirectora del Centro de Imagen y Análisis Médico de la The Hong Kong University of Science and Technology.

“A través de este sistema ‘plug-and-play’, esperamos que los servicios de diagnóstico avanzados y precisos basados en inteligencia artificial puedan trascender las limitaciones geográficas y de recursos, promoviendo así la equidad en la atención médica a nivel mundial”, añadió la profesora Li Xiaomeng.

Enlaces relacionados
HKUST

Visitar la expo >

Miembro Oro

Quality Control Material

iPLEX Pro Exome QC Panel

Miembro Oro

Lector rapido de tarjetas

EASY READER+

New

CMV CLIA Diagnostic

CLIA CMV IgA Screen Group

New

POC Immunoassay Analyzer

Procise DX