Crearon un modelo con inteligencia artificial que detecta tumores cerebrales residuales en segundos
Un equipo de investigación dirigido por la Universidad de Michigan y la Universidad de California en San Francisco, ambas en Estados Unidos han desarrollado un modelo impulsado por inteligencia artificial que, en 10 segundos, puede determinar durante una cirugía si queda alguna parte de un tumor cerebral canceroso que podría extirparse, tal y como sugiere un estudio publicado en 'Nature' .
La tecnología, llamada FastGlioma, superó por un amplio margen los métodos convencionales para identificar lo que queda de un tumor. "FastGlioma es un sistema de diagnóstico basado en inteligencia artificial que tiene el potencial de cambiar el campo de la neurocirugía al mejorar de inmediato el tratamiento integral de los pacientes con gliomas difusos", relata el autor principal Todd Hollon, neurocirujano de Universidad de Michigan y profesor adjunto de neurocirugía en la Facultad de Medicina de UM.
"La tecnología funciona más rápido y con mayor precisión que los métodos de atención estándar actuales para la detección de tumores y podría generalizarse a otros diagnósticos de tumores cerebrales pediátricos y adultos. Podría servir como modelo básico para guiar la cirugía de tumores cerebrales", añade.
Cuando un neurocirujano extirpa un tumor potencialmente mortal del cerebro de un paciente, rara vez puede extirpar toda la masa. Lo que queda se conoce como tumor residual. Por lo general, el tumor no se detecta durante la operación porque los cirujanos no pueden diferenciar entre el cerebro sano y el tumor residual en la cavidad donde se extirpó la masa. La capacidad del tumor residual de parecerse al tejido cerebral sano sigue siendo un gran desafío en la cirugía.
Los equipos neuroquirúrgicos emplean diferentes métodos para localizar ese tumor residual durante un procedimiento. Es posible que se realicen imágenes por resonancia magnética, lo que requiere una maquinaria intraoperatoria que no está disponible en todas partes. El cirujano también puede utilizar un agente de imagen fluorescente para identificar el tejido tumoral, lo que no es aplicable a todos los tipos de tumores. Estas limitaciones impiden su uso generalizado.
En este estudio internacional de la tecnología impulsada por IA, los equipos neuroquirúrgicos analizaron muestras frescas, sin procesar, extraídas de 220 pacientes que se habían sometido a operaciones de glioma difuso de grado bajo o alto.
FastGlioma detectó y calculó la cantidad de tumor restante con una precisión promedio de aproximadamente el 92%. En una comparación de cirugías guiadas por predicciones de FastGlioma o métodos guiados por imágenes y fluorescencia, la tecnología de IA no detectó tumores residuales de alto riesgo solo el 3,8 % de las veces, en comparación con una tasa de error de casi el 25 % para los métodos convencionales.
"Este modelo es un cambio innovador con respecto a las técnicas quirúrgicas existentes al identificar rápidamente la infiltración tumoral con resolución microscópica utilizando IA, lo que reduce en gran medida el riesgo de pasar por alto el tumor residual en el área donde se reseca un glioma", destaca el coautor principal Shawn Hervey-Jumper, profesor de neurocirugía en la Universidad de California en San Francisco y ex residente de neurocirugía en UM Health.
"El desarrollo de FastGlioma puede minimizar la dependencia de imágenes radiográficas, realce de contraste o marcadores fluorescentes para lograr la máxima eliminación del tumor", añade. Para evaluar lo que queda de un tumor cerebral, FastGlioma combina imágenes ópticas microscópicas con un tipo de inteligencia artificial llamada modelos de base. Se trata de modelos de IA, como GPT-4 y DALL·E 3, entrenados en conjuntos de datos masivos y diversos que pueden adaptarse a una amplia gama de tareas.
Después de un entrenamiento a gran escala, los modelos básicos pueden clasificar imágenes, actuar como chatbots, responder correos electrónicos y generar imágenes a partir de descripciones de texto.
Para construir FastGlioma, los investigadores entrenaron previamente el modelo de base visual utilizando más de 11.000 muestras quirúrgicas y 4 millones de campos de visión microscópicos únicos.
Las muestras tumorales se obtienen mediante histología Raman estimulada, un método de obtención rápida de imágenes ópticas de alta resolución desarrollado en la UM. La misma tecnología se utilizó para entrenar a DeepGlioma, un sistema de detección de diagnóstico basado en inteligencia artificial que detecta las mutaciones genéticas de un tumor cerebral en menos de 90 segundos.
Las imágenes de resolución completa tardan alrededor de 100 segundos en adquirirse utilizando la histología Raman estimulada; una imagen de resolución más baja en "modo rápido" toma solo 10 segundos. Los investigadores descubrieron que el modelo de resolución completa alcanzó una precisión de hasta el 92%, mientras que el modo rápido fue ligeramente inferior, aproximadamente el 90%. Esto significa que es posible detectar la infiltración tumoral en segundos con una precisión extremadamente alta, lo que podría informar a los cirujanos si es necesaria una mayor resección durante una operación.
FastGlioma no solo es una herramienta accesible y asequible para los equipos neuroquirúrgicos que operan gliomas, sino que, según afirman los investigadores, también puede detectar con precisión el tumor residual en varios diagnósticos de tumores no gliomas, incluidos tumores cerebrales pediátricos, como meduloblastoma y ependimoma, y meningiomas. "En estudios futuros, nos centraremos en aplicar el flujo de trabajo FastGlioma a otros tipos de cáncer, incluidos el cáncer de pulmón, próstata, mama y cabeza y cuello", concluyen los investigadores.
Fuente: InfoSalus
