Investigadores de UT Southwestern han desarrollado una herramienta de software que utiliza inteligencia artificial (IA) para reconocer células cancerosas a partir de imágenes digitales de patología, dando a los médicos una poderosa forma de predecir los resultados de los pacientes.
Agencia Latina de Noticias Medicina y Salud Pública
Investigadores de UT Southwestern han desarrollado una herramienta de software que utiliza inteligencia artificial (IA) para reconocer células cancerosas a partir de imágenes digitales de patología, dando a los médicos una poderosa forma de predecir los resultados de los pacientes.
La distribución espacial de los diferentes tipos de células puede revelar el patrón de crecimiento del cáncer, su relación con el microambiente circundante y la respuesta inmunológica del cuerpo. Pero el proceso de identificar manualmente todas las células de un portaobjetos de patología es extremadamente intensivo en trabajo y propenso a errores.
"Como normalmente hay millones de células en una muestra de tejido, un patólogo sólo puede analizar un número limitado de portaobjetos en un día. Para hacer un diagnóstico, los patólogos generalmente sólo examinan en detalle varias regiones "representativas", en lugar de toda la diapositiva. Sin embargo, algunos detalles importantes podrían pasarse por alto con este enfoque",
dijo el Dr. Guanghua "Andy" Xiao, autor correspondiente de un estudio publicado en EBioMedicine y profesor de Población y Ciencias de Datos de la UT Southwestern.
El cerebro humano, añadió el Dr. Xiao, no es bueno para captar patrones morfológicos sutiles. Por lo tanto, un desafío técnico importante en el estudio sistemático del microambiente tumoral es cómo clasificar automáticamente los diferentes tipos de células y cuantificar sus distribuciones espaciales, dijo.
El algoritmo de IA que el Dr. Xiao y su equipo desarrollaron, llamado ConvPath, supera estos obstáculos utilizando el IA para clasificar los tipos de células a partir de imágenes de patología del cáncer de pulmón.
Así es como funciona el software: El algoritmo ConvPath puede "mirar" las células e identificar sus tipos basándose en su apariencia en las imágenes de patología utilizando un algoritmo de IA que aprende de patólogos humanos. Este algoritmo convierte efectivamente una imagen de patología en un "mapa" que muestra las distribuciones e interacciones espaciales de las células tumorales, las células del estroma (es decir, las células del tejido conectivo) y los linfocitos (es decir, los glóbulos blancos) en el tejido tumoral.
El hecho de que las células tumorales se agrupen bien o se diseminen en los ganglios linfáticos del estroma es un factor que revela la respuesta inmunitaria del cuerpo. Por lo tanto, conocer esa información puede ayudar a los médicos a personalizar los planes de tratamiento y a identificar la inmunoterapia adecuada.
En última instancia, el algoritmo ayuda a los patólogos a obtener el análisis de células cancerosas más preciso, de una manera mucho más rápida.
"Es lento y difícil para los patólogos localizar regiones tumorales muy pequeñas en las imágenes de tejido, así que esto podría reducir enormemente el tiempo que los patólogos necesitan gastar en cada imagen",
dijo el Dr. Xiao, quien también tiene una cita en el Departamento de Bioinformática de Lyda Hill y es miembro del Centro de Investigación Biomédica Cuantitativa (Quantitative Biomedical Research Center, QBRC) y del Centro Integral de Cáncer Harold C. Simmons en la UTSW.
El software ConvPath, que incorpora segmentación de imágenes, aprendizaje profundo y algoritmos de extracción de características, está disponible al público en https://qbrc.swmed.edu/projects/cnn/
Los autores principales del estudio incluyen a Shidan Wang, Científico de Datos II de QBRC; el Dr. Tao Wang, Profesor Asistente de Población y Ciencias de Datos y del Centro para la Genética de la Defensa del Huésped; y el Dr. Donghan M. Yang, Gerente de Proyecto de QBRC. Otros coautores de UT Southwestern son el Dr. Yang Xie, Profesor de Población y Ciencias de la Información, Profesor del Departamento de Bioinformática de Lyda Hill y Director del QBRC, y el Dr. John Minna, Profesor de Farmacología y Medicina Interna y Director del Hamon Center for Therapeutic Oncology Research. El Dr. Minna tiene la Cátedra Distinguida Sarah M. y Charles E. Seay en Investigación del Cáncer y la Cátedra Distinguida Max L. Thomas en Oncología Pulmonar Molecular.
El estudio fue apoyado por los Institutos Nacionales de Salud y el Instituto de Prevención e Investigación del Cáncer de Texas.
