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