Nueva herramienta de aprendizaje automático identifica tumores difíciles de detectar

Para mejorar el diagnóstico de tumores del estroma gastrointestinal, un grupo de la Universidad de Ciencias de Tokio (TUS) y el Centro Nacional del Cáncer del Hospital Este de Japón desarrolló una tecnología que utiliza imágenes hiperespectrales de infrarrojo cercano (NIR-HSI) y aprendizaje automático. Sus hallazgos se detallan en Nature’s Scientific Reports.

«Esta técnica es un poco como los rayos X, la idea es que se usa radiación electromagnética que puede atravesar el cuerpo para generar imágenes de estructuras internas», explica en un comunicado de prensa el Dr. Takemura, líder del estudio.

«La diferencia es que los rayos X están a 0.01-10 nm, pero el infrarrojo cercano está alrededor de 800-2500 nm. A esa longitud de onda, la radiación del infrarrojo cercano hace que los tejidos parezcan transparentes en las imágenes. Y estas longitudes de onda son menos dañinas para el paciente que incluso los rayos visibles «, continúa.

La detección precoz de tumores es fundamental para evitar daños irrevocables en los vasos sanguíneos y el tejido humano. Sin embargo, dicha detección a menudo requiere una tecnología de imágenes avanzada que no es ampliamente accesible.

Algunos tumores están cubiertos por una capa mucosa, lo que dificulta a los científicos observarlos con métodos estándar como la endoscopia o alcanzarlos durante las biopsias.

Los tumores del estroma gastrointestinal, en particular, requieren métodos difíciles que requieren mucho tiempo y que a menudo prolongan el diagnóstico.

Uso del aprendizaje automático en la detección de tumores

El equipo tomó imágenes de los tejidos extirpados utilizando NIR-HSI antes de que un patólogo examinara las imágenes y marcara el tejido normal y tumoral. Luego, las imágenes se utilizaron como datos de entrenamiento para un algoritmo de aprendizaje automático.

Los experimentos mostraron que aunque 10 de los 12 tumores de prueba estaban cubiertos total o parcialmente por una capa mucosa, el análisis de aprendizaje automático pudo identificar de manera efectiva los GIST y pudo codificar correctamente por colores las secciones tumorales y no tumorales con una precisión del 86 por ciento.