El equipo
de Charité - Universitätsmedizin Berlin, TU Berlin y la Universidad de Oslo, ha
desarrollado el sistema que, por primera vez, integra datos morfológicos,
moleculares e histológicos en un solo análisis. El sistema también proporciona
una aclaración del proceso de decisión de la IA en forma de mapas de calor.
Los mapas
de calor muestran qué información visual influyó en el proceso de decisión de
la IA y en qué medida, lo que permite a los médicos comprender y evaluar la
plausibilidad de los resultados, lo que representa un paso adelante esencial
para el uso futuro de los sistemas de IA en los hospitales.
La
investigación ha sido publicada en Nature Machine Intelligence.
Análisis de tejidos
La
caracterización molecular de las muestras de tejido tumoral se está volviendo
cada vez más importante para el tratamiento del cáncer, y se están realizando
estudios para determinar cambios en el ADN, así como en la expresión de genes y
proteínas en las muestras. Los investigadores destacan que se está haciendo
evidente que la progresión del cáncer está estrechamente relacionada con la
intercomunicación intercelular y la interacción de las células neoplásicas con
el tejido circundante, incluido el sistema inmunológico.
El profesor
(Dr.) Frederick Klauschen, del Instituto de Patología de Charité, dijo:
“Sabemos que en el caso del cáncer de mama, el número de células inmunes
inmigradas, conocidas como linfocitos, en el tejido tumoral influye en el
pronóstico de la paciente. También hay discusiones sobre si este número tiene
un valor predictivo, en otras palabras, si nos permite decir qué tan efectiva
es una terapia en particular".
Las
técnicas microscópicas permiten estudiar procesos biológicos con gran detalle
espacial, sin embargo, solo permiten una medición limitada de marcadores
moleculares, que se determinan utilizando proteínas o ADN extraído de tejidos.
Esto significa que el detalle espacial necesario no es posible y la relación
entre estos marcadores y las estructuras microscópicas no está clara.
“El
problema que tenemos es el siguiente: tenemos datos moleculares buenos y
fiables, y tenemos buenos datos histológicos con gran detalle espacial. Lo que
todavía no tenemos es el vínculo decisivo entre los datos de imágenes y los
datos moleculares de alta dimensión”, agregó el profesor (Dr.) Klaus-Robert
Müller, profesor de aprendizaje automático en TU Berlín.
“Nuestro
sistema facilita la detección de alteraciones patológicas en imágenes
microscópicas. Paralelamente, podemos proporcionar visualizaciones de mapas de
calor precisos que muestran qué píxel de la imagen microscópica contribuyó al
algoritmo de diagnóstico y en qué medida.
“Nuestro
sistema de análisis ha sido entrenado mediante procesos de aprendizaje
automático para que también pueda predecir diversas características
moleculares, incluida la condición del ADN, la expresión génica y la expresión
de proteínas en áreas específicas del tejido, sobre la base de los datos
histológicos e imágenes".
El equipo
ahora llevará a cabo más validaciones clínicas, incluidas pruebas en el
diagnóstico de rutina de tumores.
FUENTE: Health Europa