Patología 3D con IA mejora la precisión del pronóstico en pacientes con esófago de Barrett

El esófago de Barrett es una enfermedad en la que el revestimiento del esófago cambia debido al reflujo gastroesofágico crónico. Las personas con esófago de Barrett tienen un riesgo ligeramente aumentado de desarrollar cáncer de esófago y requieren endoscopias de vigilancia regulares. Durante estos procedimientos, los gastroenterólogos toman numerosas biopsias de los tejidos afectados. Luego, estas muestras se cortan en secciones delgadas y se colocan en portaobjetos de vidrio para su examen bajo un microscopio por patólogos. Sin embargo, las secciones de tejido que los patólogos observan representan solo alrededor del 1 % o menos de las biopsias reales y proporcionan solo una vista bidimensional, lo que puede ser engañoso. Los investigadores ahora están realizando estudios clínicos de tejidos archivados de pacientes con la afección para desarrollar métodos de patología computacional en 3D para la estratificación del riesgo de esófago de Barrett.

El equipo de investigación de la Facultad de Ingeniería de la Universidad de Washington (Seattle, Washington, EUA) ya había inventado métodos de patología en 3D para evaluar el riesgo de cáncer de próstata y cambió su enfoque hacia las aplicaciones gastrointestinales de sus tecnologías, incluida la evaluación del riesgo de cáncer de esófago en pacientes con esófago de Barrett. Su objetivo es demostrar que el análisis de conjuntos de datos de patología en 3D de biopsias endoscópicas completas mediante IA puede determinar mejor qué pacientes podrían progresar a cáncer de esófago y, por lo tanto, requerir un tratamiento más intensivo. El equipo está utilizando microscopía de lámina de luz de techo abierto para este propósito. Esta técnica innovadora permite la visualización microscópica en 3D de biopsias sin la necesidad de cortar, preservando toda la estructura del tejido.

Esta técnica de microscopía "sin portaobjetos" implica el uso de una lámina de luz y cámaras de alta velocidad para obtener imágenes de muestras de tejido teñidas con tintes fluorescentes y que se vuelven transparentes mediante un proceso llamado aclarado óptico. Una vez que se preparan los conjuntos de datos de patología en 3D, se emplea IA para resaltar las áreas más cruciales de la biopsia para la revisión del patólogo o para evaluar los tejidos de manera autónoma. En una investigación anterior publicada en Modern Pathology, el equipo introdujo un enfoque de aprendizaje profundo que demostró ser más eficiente para identificar neoplasias malignas en biopsias de esófago de Barrett que los métodos tradicionales, lo que redujo significativamente la cantidad de imágenes que los patólogos necesitan examinar. Además, el equipo está mejorando el proceso de entrenamiento del modelo de IA mediante el desarrollo de un avanzado sistema de clasificación de aprendizaje profundo con supervisión débil para analizar conjuntos de datos de patología en 3D.

“Estamos tratando de identificar a los pacientes con mayor riesgo para que puedan recibir tratamientos tempranos que podrían ser críticos para su supervivencia”, dijo el profesor Jonathan Liu, profesor de ingeniería mecánica, bioingeniería y medicina de laboratorio y patología en la Universidad de Washington. “En nuestras muestras de tejido archivadas, algunos pacientes progresaron a cáncer, y estamos tratando de detectar qué en sus tejidos podría haberlo predicho en las etapas más tempranas”.

Enlaces relacionados:
Facultad de Ingeniería de la UW

Visitar la expo >

Miembro Oro

HISOPOS DE FIBRA FLOCADA

Puritan® Patented HydraFlock®

Verification Panels for Assay Development & QC
Seroconversion Panels

New

Respiratory QC Panel

Assayed Respiratory Control Panel

New

Centrifuge

Hematocrit Centrifuge 7511M4