Cómo la visión por computadora mejora la investigación del cáncer

La visión por computadora es una inteligencia artificial que permite a los algoritmos extraer información significativa de los videos y las imágenes. Los investigadores del cáncer han explorado formas efectivas de utilizarla para examinar imágenes, muestras microscópicas, escaneos médicos y más. Algunos enfoques pueden acortar los flujos de trabajo previamente engorrosos, lo que permite a los equipos con recursos limitados alcanzar sus objetivos y aumentar el impacto en los pacientes.

Mejorando el conocimiento de los factores de crecimiento del tumor

Después de confirmar la presencia y el tipo de cáncer en las biopsias, los patólogos pueden realizar secuenciación genética en las moléculas de ARN dentro de las muestras. Luego, pueden determinar qué cambios genómicos influyen en el crecimiento del tumor. Esa información promueve valiosas investigaciones y intervenciones personalizadas. Sin embargo, los métodos actuales son costosos y tienen procesos largos, lo que hace que algunos investigadores busquen alternativas viables.

Un equipo construyó una herramienta de IA que analiza imágenes de microscopía estándar de biopsias para predecir la actividad genética dentro de las células tumorales. Capacitaron su innovación con más de 7,500 muestras que representan 16 tipos de cáncer y otros conjuntos de datos relevantes, incluyendo imágenes de células sanas.

Estos investigadores priorizaron la usabilidad a través de la interpretación sencilla, creando su programa de IA para mostrar la información relacionada con los genes como un mapa de biopsia de tumor visual. Esa decisión permite a los usuarios identificar variaciones distintivas en áreas específicas. El grupo también se basó en un método de tinción estándar para visualizar las células cancerosas, y la herramienta identificó las expresiones genéticas de más de 15,000 genes dentro de las imágenes teñidas.

Sus hallazgos indicaron una correlación de más del 80% entre la actividad genética predicha por la IA y el comportamiento real. El modelo generalmente funcionó mejor cuando el conjunto de datos de la muestra incluía más ejemplos de un tipo específico de cáncer.

Los experimentos de este equipo de investigación también mostraron el potencial de validez del algoritmo para asignar puntajes de riesgo genómico a pacientes con cáncer de mama. Las partes categorizadas como de mayor riesgo tuvieron más recurrencias y duraciones más cortas entre ellas.

La gente ha utilizado la IA para otros avances médicos fascinantes. Un desarrollo puede detectar COVID-19 con una precisión de hasta el 99%, lo que muestra una mejora esencial en la salud pública. A pesar de la impresionante posibilidad de estas posibilidades, los profesionales deben complementar su trabajo con ellas. Dejar que la IA reemplace la experiencia de primera mano podría reducir los resultados positivos para los pacientes.

Encontrando los tratamientos más adecuados

Las personas que se someten a intervenciones relacionadas con el cáncer detallan el estrés y los síntomas desagradables asociados con soluciones potencialmente subóptimas. Aunque muchas personas toleran la náusea, la pérdida de cabello y más, se vuelven menos dispuestas a continuar si las pruebas iniciales no muestran resultados prometedores.

Todos se benefician si los especialistas en cáncer identifican los tratamientos más adecuados para cada paciente lo antes posible. El enfoque típico para diseñar planes de cuidado implica estudiar escaneos de CT y MRI con solo un punto de datos por píxel, representado como sombras de gris. Algunos investigadores utilizan la IA para hacer avances. Una herramienta puede examinar hasta 30,000 detalles por píxel y analizar muestras de tejido tan pequeñas como 400 micrómetros cuadrados —alrededor del ancho de cinco cabellos humanos.

El equipo utilizó muestras donadas para evaluar los resultados. Cuando se aplicó a casos de cáncer de vejiga, la plataforma de IA encontró un grupo de células especializadas que crean estructuras linfoides terciarias. El conocimiento actual sugiere que estas mejoran las respuestas a la inmunoterapia de los pacientes. Además, la herramienta diferenció entre células cancerosas y mucosa tisular en muestras de cáncer gástrico, lo que ayuda a los usuarios a determinar con mayor precisión la extensión de su propagación.

Estos investigadores creen que sus esfuerzos podrían mostrar a los médicos qué tratamientos funcionan mejor para varios cánceres. Si es así, también podría agilizar la investigación relevante al ayudar a extraer más datos valiosos de las imágenes de diagnóstico comunes.

Reduciendo los tiempos de desarrollo de fármacos

Hacer que los nuevos tratamientos contra el cáncer estén disponibles comercialmente lleva años, y las perspectivas dependen de ensayos clínicos exitosos. Los investigadores en Londres recientemente crearon un enfoque habilitado por IA para estudiar cómo los fármacos llegan a sus objetivos. Centrarse en las opciones más efectivas podría mejorar los resultados, convenciendo a los reguladores de ampliar la disponibilidad del producto.

El grupo utilizó casi 100,000 imágenes de microscopía 3D de células de melanoma, y los algoritmos de aprendizaje geométrico profundo analizaron su forma. Los esfuerzos anteriores solo obtuvieron datos bidimensionales de muestras en placas de microscopio, pero este enfoque examina las células como aparecen en los cuerpos. Además, revela cómo cambian de forma debido a tratamientos específicos y muestra la variabilidad en las poblaciones celulares.

Esta herramienta fue más del 99% precisa al detectar cómo los fármacos específicos afectaron a las células. Incluso identificó los cambios de forma desencadenados por aquellos que apuntan a proteínas diferentes.

Dado que la IA reveló alteraciones bioquímicas, los investigadores piensan que su innovación podría resaltar objetivos específicos para enfatizar con nuevos medicamentos contra el cáncer. Luego, el software reduciría el marco de tiempo preclínico de tres años a tres meses. Relacionado con esto, podría reducir los ensayos en hasta seis años, encontrando más rápidamente a los pacientes que probablemente se beneficien y determinando los efectos secundarios comunes.

Agilizando las tareas de evaluación del cáncer

La IA ya ha mejorado las tareas de los investigadores del cáncer, pero la mayoría de las herramientas solo manejan partes individuales del flujo de trabajo. Eso significa que los especialistas médicos interesados en integrar la tecnología en su trabajo diario necesitan aprender a usar varios productos. Sin embargo, algunos grupos quieren construir soluciones de múltiples propósitos para aumentar la facilidad de uso.

Un equipo construyó un modelo similar a ChatGPT. Lo utilizaron para varios procesos de evaluación relacionados con 19 tipos de cáncer, mostrando su versatilidad. Más específicamente, aceleró las tareas de evaluación para una mejor detección, pronóstico y respuestas al tratamiento. Los desarrolladores también creen que su innovación es la primera en predecir y validar resultados en varios grupos de pacientes internacionales.

El modelo de IA lee diapositivas digitales que contienen muestras de tumor, analiza los perfiles moleculares y encuentra células cancerosas. También examinó los tejidos que rodean el crecimiento, lo que indica cómo los pacientes han respondido a los tratamientos estándar o muestra a los investigadores cuáles son menos efectivos. Los experimentos sugirieron que fue más preciso que los productos actualmente disponibles. Además, vinculó características tumorales específicas a tasas de supervivencia aumentadas en los pacientes por primera vez, lo que podría desbloquear nuevas áreas de investigación.

Los investigadores entrenaron el modelo con 15 millones de imágenes no etiquetadas divididas en fragmentos dependiendo de las áreas de interés. Un paso posterior expuso los algoritmos a 60,000 ejemplos de diapositivas completas que representan los 19 tipos de cáncer. Este enfoque enseñó a la IA a evaluar imágenes enteras para obtener resultados exhaustivos.

Luego, el grupo probó su herramienta en 19,400 imágenes de diapositivas completas encontradas en 32 conjuntos de datos independientes. Dado que esa información provino de 24 cohortes de pacientes y hospitales ubicados en todo el mundo, proporciona una muestra precisa de condiciones de la vida real.

Mejorando el valor de las imágenes de microscopía biomédica

Los investigadores del cáncer utilizan imágenes de microscopía biomédica para avanzar en su trabajo, pero los flujos de trabajo existentes tardan días en examinar estos datos. Un equipo desarrolló una nueva técnica de visión por computadora para hacer que esas tareas esenciales sean más eficientes. Utiliza el aprendizaje automático para analizar muestras y encontrar características compartidas entre tumores cancerosos.

La herramienta obtiene resultados de manera eficiente al examinar múltiples áreas de crecimiento individual y percibirlas como un todo. Otros productos que analizan imágenes de microscopía biomédica dividen los tumores grandes en parches más pequeños y tratan las porciones como muestras separadas. Sin embargo, estas imágenes pueden contener hasta 1 billón de píxeles, por lo que son tediosas de estudiar.

Los desarrolladores imaginan que los médicos podrían hacer diagnósticos casi inmediatos a partir de imágenes de tumor. Luego, esos profesionales pasarían la información a los cirujanos que realizan operaciones para extraer tejidos cancerosos, lo que les permitiría utilizar las ideas más actuales.

Las pruebas que comparan esta herramienta con las mejores técnicas de análisis de imágenes de referencia mostraron que fue casi un 4% mejor y logró una precisión del 88% en algunos casos. Los investigadores también enfatizaron que los usuarios podrían aplicarla a cualquier tipo de tumor y método de microscopía, lo que la hace ampliamente aplicable.

Impulsando la investigación del cáncer con visión por computadora

La visión por computadora impulsada por IA puede elevar la producción de los investigadores del cáncer, maximizando sus resultados científicos y relacionados con los pacientes. Estos ejemplos ilustran el abundante potencial, pero los profesionales interesados en aplicar la tecnología deben hacerlo para complementar su experiencia adquirida y no tratar las innovaciones como infalibles.