Según un nuevo estudio realizado por investigadores de la Facultad de Medicina de la Universidad de Stanford, las computadoras pueden ser entrenadas para ser más precisas que los patólogos en la evaluación de portaobjetos de tejidos de cáncer de pulmón.
Los investigadores encontraron que un enfoque de aprendizaje automático para identificar características críticas relacionadas con la enfermedad diferenciaba con precisión entre dos tipos de cánceres de pulmón y predecía los tiempos de supervivencia del paciente mejor que el enfoque estándar de los patólogos que clasifican los tumores por grado y etapa.
"La patología tal como se practica ahora es muy subjetiva", dijo Michael Snyder, PhD, profesor y director de genética. "Dos patólogos altamente calificados que evalúan la misma diapositiva estarán de acuerdo solo aproximadamente el 60 por ciento del tiempo. Este enfoque reemplaza esta subjetividadcon mediciones sofisticadas y cuantitativas que creemos que pueden mejorar los resultados del paciente ".
La investigación se publicará el 16 de agosto en Comunicaciones de la naturaleza . Snyder, quien dirige el Centro de Genómica y Medicina Personalizada de Stanford, comparte la autoría principal del estudio con Daniel Rubin, MD, profesor asistente de radiología y medicina. El estudiante graduado Kun-Hsing Yu, MD, es el autor principal deel estudio.
Aunque el estudio actual se centró en el cáncer de pulmón, los investigadores creen que un enfoque similar podría usarse para muchos otros tipos de cáncer.
"En última instancia, esta técnica nos dará una idea de los mecanismos moleculares del cáncer al conectar características patológicas importantes con datos de resultados", dijo Snyder.
Evaluación del grado, gravedad del cáncer
Durante décadas, los patólogos han evaluado la gravedad o "grado" del cáncer mediante el uso de un microscopio óptico para examinar secciones delgadas de tejido tumoral montado en portaobjetos de vidrio. Cuanto más anormal era el tejido tumoral, en términos de célulastamaño y forma, entre otros indicadores, cuanto mayor sea el grado, también se asigna una etapa en función de si el cáncer se ha diseminado por todo el cuerpo y dónde se ha extendido.
A menudo, el grado y la etapa de un cáncer se pueden usar para predecir cómo le irá al paciente. También pueden ayudar a los médicos a decidir cómo y qué tan agresivamente tratar la enfermedad. Sin embargo, este sistema de clasificación no siempre funciona bien para el cáncer de pulmónEn particular, los subtipos de adenocarcinoma y carcinoma de células escamosas del cáncer de pulmón pueden ser difíciles de distinguir al examinar los portaobjetos de cultivo de tejidos. Además, la etapa y el grado del cáncer de un paciente no siempre se correlacionan con su pronóstico, que puede variar ampliamente.El cincuenta por ciento de los pacientes con adenocarcinoma en etapa 1, por ejemplo, muere dentro de los cinco años de su diagnóstico, mientras que aproximadamente el 15 por ciento sobrevive más de 10 años.
Los investigadores utilizaron 2,186 imágenes de una base de datos nacional llamada Cancer Genome Atlas obtenida de pacientes con adenocarcinoma o carcinoma de células escamosas. La base de datos también contenía información sobre el grado y el estadio asignado a cada cáncer y cuánto tiempo vivió cada paciente después del diagnóstico.
Luego, los investigadores usaron las imágenes para "entrenar" un programa de computadora para identificar muchas más características específicas del cáncer que pueden ser detectadas por el ojo humano: casi 10,000 rasgos individuales, en comparación con los varios cientos generalmente evaluados por los patólogos. Estas característicasincluyó no solo el tamaño y la forma de las células, sino también la forma y textura de los núcleos de las células y las relaciones espaciales entre las células tumorales vecinas.
"Comenzamos el estudio sin ideas preconcebidas, y dejamos que el software determine qué características son importantes", dijo Snyder, quien es el Stanford W. Ascherman, MD, FACS, Profesor de Genética. "En retrospectiva, todo tiene sentido. Y las computadoras pueden evaluar incluso pequeñas diferencias entre miles de muestras muchas veces con mayor precisión y rapidez que un humano ".
Trayendo la patología al siglo 21
Los investigadores se centraron en un subconjunto de características celulares identificadas por el software que podrían utilizarse mejor para diferenciar las células tumorales del tejido no canceroso circundante, identificar el subtipo de cáncer y predecir cuánto tiempo sobreviviría cada paciente después del diagnóstico. Luego validaronla capacidad del software para distinguir con precisión a los sobrevivientes a corto plazo de aquellos que vivieron significativamente más tiempo en otro conjunto de datos de 294 pacientes con cáncer de pulmón de la Base de datos de microarrays de tejidos de Stanford.
La identificación de características físicas previamente desconocidas que pueden predecir la gravedad del cáncer y los tiempos de supervivencia también es probable que conduzca a una mejor comprensión de los procesos moleculares de iniciación y progresión del cáncer. En particular, Snyder anticipa que el sistema de aprendizaje automático descrito en este estudio serácapaces de complementar los campos emergentes de la genómica, transcriptómica y proteómica del cáncer. Los investigadores del cáncer en estos campos estudian las mutaciones de ADN y los patrones de expresión de genes y proteínas que conducen a la enfermedad.
"Lanzamos este estudio porque queríamos comenzar a unir las imágenes con nuestros estudios 'ómicos' para comprender mejor los procesos del cáncer a nivel molecular", dijo Snyder. "Esto trae la patología del cáncer al siglo XXI y tiene el potencial de ser unalgo asombroso para los pacientes y sus clínicos "
Fuente de la historia :
Materiales proporcionado por Centro médico de la Universidad de Stanford . Original escrito por Krista Conger. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :