Se utiliza durante la cirugía | 01 NOV 21

La inteligencia artificial acelera el diagnóstico de tumores cerebrales

Los resultados se publicaron en Nature Medicine.
NIH

Para los pacientes con tumores cerebrales, el primer paso del tratamiento suele ser una cirugía para eliminar la mayor cantidad posible de masa tumoral. Las muestras tumorales que se obtienen y analizan durante la cirugía sirven para diagnosticar con precisión el tumor y definir los márgenes entre el tumor y el tejido cerebral sano. 

No obstante, este análisis patológico durante la cirugía (intraoperatorio) lleva tiempo; un patólogo debe preparar, teñir y analizar la muestra mientras el cirujano y el paciente esperan los resultados. Ahora, en un nuevo estudio se indica que mediante el uso combinado de inteligencia artificial y una técnica avanzada de obtención de imágenes es posible diagnosticar con precisión los tumores cerebrales en menos de 3 minutos durante la cirugía. Con este método también se diferenció con exactitud el tejido tumoral del tejido sano.

"Esta tecnología es alentadora, en particular para pacientes con tumores que se detectaron en forma reciente y para pacientes con [tumores recidivantes] que se someterán a una segunda o tercera cirugía", expresó el doctor Daniel Orringer, de Langone Health en la Universidad de Nueva York (NYU), que colaboró en la dirección del estudio.

Según el equipo de investigación, este estudio abre las puertas para "ofrecer acceso sin precedentes al diagnóstico intraoperatorio de tejido mientras el paciente está en la mesa de operaciones" y, a la vez, "disminuye el riesgo de extirpar… tejido normal adyacente al [tumor]".

El doctor y licenciado en Medicina Kareem Zaghloul, neurocirujano de la Unidad de Neurología Quirúrgica de los Institutos Nacionales de la Salud (NIH), que no participó en la investigación, comentó que los resultados del estudio son alentadores. "Este tipo de técnica nos ayuda a saber cuán intensiva o conservadora debe ser la cirugía", puntualizó el doctor Zaghloul. 

La aplicación de la imaginología y la tecnología de inteligencia artificial

Para mejorar el análisis histopatológico intraoperatorio que se usa en la actualidad, un equipo de investigación dirigido por los doctores Orringer y Todd Hollon (jefe de residentes de neurocirugía en la Universidad de Michigan) quiso probar si era posible combinar las imágenes obtenidas mediante estudio histológico por estimulación Raman (SRH) con el poder predictivo de la inteligencia artificial. 

La técnica de SRH, un tipo especializado de microscopía, se usa para visualizar muestras de tejido recién obtenidas en la sala de operaciones e incluso producir el mismo tipo de tinción que los patólogos aplican a las muestras de tejido congeladas para analizar la estructura celular. En la Universidad de Michigan, hay equipos de cirugía que ya usan un sistema de SRH para algunos procedimientos de tumores cerebrales y de cánceres de cabeza y cuello. 

Para la inteligencia artificial se emplean computadoras potentes para desempeñar tareas que en general se asocian con la inteligencia humana. Un tipo de inteligencia artificial que se conoce como aprendizaje profundo usa algoritmos matemáticos complejos, que a veces se llaman redes de giros neuronales, para extraer características de los datos y aprender de estas. 

Esta autocapacitación hace que el algoritmo identifique patrones y analice imágenes. En medicina, por ejemplo, se estudian estos algoritmos para determinar si sirven para evaluar mamografíasdetectar tejido precanceroso en el cuello uterino o detectar lunares cancerosos con mayor precisión.

A fin de combinar la potencia de la técnica del SRH con la inteligencia artificial, los investigadores comenzaron por alimentar un algoritmo con imágenes del tejido de un tumor cerebral producidas con SRH. Para esta capacitación se usaron más de 2,5 millones de imágenes de tejido tumoral de 415 pacientes. Las imágenes incluyeron tres clasificaciones de tejido no tumoral, incluso de sustancia gris o blanca sana, y 10 de los tipos más comunes de tumores cerebrales, que representan más de 90 % de todos los diagnósticos de tumores cerebrales en los Estados Unidos.

"Al principio, fue un gran reto decidir el tamaño y la resolución ideales de las imágenes para capacitar al algoritmo", comentó el doctor Hollon. Una vez que determinamos los parámetros ideales, el algoritmo aprendió a clasificar las muestras de tejido en: tumor confirmado, tejido no tumoral o tumor sin diagnóstico (es decir, que el análisis mediante inteligencia artificial no fue posible). 

 

Comentarios

Para ver los comentarios de sus colegas o para expresar su opinión debe ingresar con su cuenta de IntraMed.

AAIP RNBD
Términos y condiciones de uso | Todos los derechos reservados | Copyright 1997-2021