Modelo de IA identifica etapas de tumores de mama con probabilidad de progresar a cáncer invasivo

El carcinoma ductal in situ (CDIS) es un tipo de tumor no invasivo que en ocasiones puede progresar a una forma más letal de cáncer de mama y representa aproximadamente el 25 % de todos los casos de cáncer de mama. Entre el 30 % y el 50 % de los pacientes con CDIS pueden desarrollar una etapa invasiva de cáncer, pero identificar qué tumores progresarán sigue siendo un desafío debido a la falta de biomarcadores conocidos. Las prácticas de diagnóstico actuales incluyen tinción múltiple o secuenciación de ARN de célula única para determinar las etapas de CDIS en muestras de tejido, pero estos métodos son costosos y no se utilizan ampliamente. Esto ha llevado a un posible sobretratamiento de pacientes con CDIS. Ahora, un nuevo modelo de inteligencia artificial (IA) puede distinguir diferentes etapas de CDIS a partir de imágenes de tejido mamario económicas y fácilmente disponibles.

El modelo desarrollado por un equipo interdisciplinario de investigadores del MIT (Cambridge, MA, EUA) y ETH Zurich (Zúrich, Suiza) fue entrenado y probado utilizando uno de los conjuntos de datos más grandes de su tipo, creado porque este tipo de imágenes de tejido son muy fáciles de obtener. Este modelo de IA podría potencialmente simplificar el proceso de diagnóstico para casos más simples de CDIS, reduciendo la dependencia de métodos que requieren mucha mano de obra y permitiendo a los clínicos centrarse más en los casos ambiguos. Anteriormente, el equipo descubrió que una técnica de imágenes de bajo costo llamada tinción de cromatina podría proporcionar información comparable a la obtenida mediante secuenciación de ARN unicelular, que es costosa. Hipotetizaron que combinar este método de tinción con un modelo de aprendizaje automático sofisticado podría proporcionar información detallada sobre las etapas del cáncer a un costo menor.

Compilaron un conjunto de datos de 560 imágenes de muestras de tejido de 122 pacientes a lo largo de tres etapas de la enfermedad para entrenar su modelo de IA. Este modelo aprende a representar el estado de cada célula dentro de una imagen para determinar la etapa del cáncer. Al reconocer que no todas las células indican la presencia de cáncer, el equipo diseñó el modelo para crear grupos de células con estados similares, identificando ocho estados distintos críticos para diagnosticar CDIS. Algunos estados sugieren una mayor probabilidad de cáncer invasivo. Sin embargo, aprendieron que conocer la proporción de cada estado celular no era suficiente; también era crucial entender cómo estas células están organizadas dentro del tejido. El modelo se mejoró para evaluar tanto la proporción como la disposición espacial de los estados celulares, mejorando así significativamente su precisión. En comparación con las evaluaciones patológicas tradicionales, el modelo mostró una alta concordancia en muchos casos. Para los casos menos definitivos, el modelo proporcionó información sobre características de las muestras de tejido, como la organización celular, que podría ayudar a los patólogos en sus diagnósticos. La versatilidad de este modelo sugiere aplicaciones potenciales más allá del cáncer de mama, como otros tipos de cáncer y enfermedades neurodegenerativas, áreas que los investigadores están explorando actualmente.

"Dimos el primer paso para comprender que deberíamos observar la organización espacial de las células al diagnosticar CDIS, y ahora hemos desarrollado una técnica que es escalable", dijo Caroline Uhler del MIT. “A partir de aquí, realmente necesitamos un estudio prospectivo. Trabajar con un hospital y llevar esto hasta la clínica será un importante paso adelante”.

Enlaces relacionados:
MIT
ETH Zúrich

Visitar la expo >

Miembro Oro

ANALIZADOR DE VIABILIDAD/DENSIDAD CELULAR AUTOMATIZADO

BioProfile FAST CDV

Verification Panels for Assay Development & QC
Seroconversion Panels

New

cTnI/CK-MB/Myo Test

Finecare cTnI/CK-MB/Myo Rapid Quantitative Test

New

Biological Indicator Vials

BI-O.K.