Trabajo de investigación realizado por David Romo Bucheli, doctor en Ingeniería Eléctrica de la Universidad Nacional de Colombia.
Un algoritmo computacional analiza automáticamente las imágenes diagnósticas de los tejidos cancerígenos para detectar patrones específicos, estimar qué tan agresiva es la enfermedad y poder formular un tratamiento adecuado, según explica David Romo Bucheli, doctor en Ingeniería Eléctrica de la Universidad Nacional de Colombia (UN), al analizar y procesar imágenes histológicas es posible encontrar patrones que se puedan asociar con el cáncer.
Como informa la UN, el trabajo del investigador Romo, con la dirección del profesor Eduardo Romero y la colaboración del profesor Anant Madabhushi, de la Case Western Reserve University, consistió en identificar automáticamente patrones visuales en imágenes de cáncer para evaluar la agresividad de este.
La información puede resultar muy útil para los médicos al momento de decidir qué terapia puede ser la más apropiada para el paciente. La cuantificación e identificación automática de los patrones visuales podría proveerles información adicional a los expertos, que les permita orientar esta crucial decisión, explican desde la Universidad Nacional.
"Si un médico tiene más información sobre el estado de la enfermedad puede decidir con mayor precisión los tratamientos que necesita el paciente", afirma al respecto Romo, que añade: "Esta decisión es complicada pues tiene implicaciones en la calidad de vida de la persona y en los costos para el sistema de salud".
Dichos patrones visuales son conocidos como 'marcadores patológicos', y para la investigación se tuvieron en cuenta dos relacionados con el cáncer: la mitosis y la formación de túbulos.
Para identificar estos patrones, primero se extrae y fija la muestra de tejido en una lámina histológica, luego se digitalizan las imágenes para poder observarlas en un computador, después el patólogo delinea las zonas cancerosas, y allí es posible utilizar los algoritmos automáticos. Estos se basan en una técnica 'de aprendizaje máquina' que ha adquirido gran preponderancia en los últimos años: las redes neuronales profundas o Deep Neural Networks.
Por medio de esta se podrán detectar los patrones de mitosis o de formación de túbulos, según sea el caso. "A través de los algoritmos podemos obtener un clasificador que permite diferenciar si hay una mitosis o no, e identificar si una célula forma parte de un túbulo o no", explica el investigador, que complementa: "Después es posible correlacionar estos patrones detectados automáticamente con el nivel de riesgo de cáncer".
Específicamente en el cáncer de mama los investigadores estudiaron la correlación de los patrones identificados de forma automática con el riesgo de recurrencia del cáncer de mama en 174 pacientes.
En los últimos años se han utilizado los 'test genómicos', pruebas que analizan el nivel de expresión de diversos genes y determinan si el paciente es de alto o bajo riesgo, indican desde la Universidad Nacional. Sin embargo, añaden, aplicar este test es muy costoso, requiere de equipamiento especializado y solo se lleva a cabo en ciertos laboratorios. Aun así, es la evaluación de riesgo más precisa en la actualidad.
Con los patrones identificados automáticamente se podría llegar a diferenciar entre los pacientes que tengan alto y bajo riesgo, y además sirve como instrumento de tamizaje para identificar los casos con mayor riesgo, y en esos sí aplicar el test especializado, destacan desde la UN.
"Nosotros encontramos una correlación entre el riesgo del cáncer y la cuantificación de los patrones detectados automáticamente por los algoritmos", apunta Romo, y añade: "Esta se podría utilizar junto con otros marcadores patológicos para tener una estimación precisa del riesgo de diferentes enfermedades relacionadas con el cáncer". "Esta información podría ayudar a identificar qué pacientes necesitan pruebas más complejas para obtener su diagnóstico", concluye.
