El carcinoma ductal in situ (CDIS) es un tipo de tumor preinvasivo que a veces progresa hasta convertirse en una forma de cáncer de mama sumamente mortal. Representa aproximadamente el 25 por ciento de todos los diagnósticos de cáncer de mama.
Debido a que a los médicos les resulta difícil determinar el tipo y el estadio del DCIS, los pacientes con este trastorno suelen recibir un tratamiento excesivo. Para solucionar este problema, un equipo interdisciplinario de investigadores del MIT y la ETH de Zúrich desarrolló un modelo de inteligencia artificial que puede identificar los diferentes estadios del DCIS a partir de una imagen de tejido mamario barata y fácil de obtener. Su modelo demuestra que tanto el estado como la disposición de las células en una muestra de tejido son importantes para determinar el estadio del DCIS.
Como las imágenes de tejidos son tan fáciles de obtener, los investigadores pudieron crear uno de los conjuntos de datos más grandes de su tipo, que utilizaron para entrenar y probar su modelo. Cuando compararon sus predicciones con las conclusiones de un patólogo, encontraron una clara coincidencia en muchos casos.
En el futuro, el modelo podría usarse como una herramienta para ayudar a los médicos a agilizar el diagnóstico de casos más simples sin necesidad de pruebas que requieren mucho trabajo, lo que les daría más tiempo para evaluar casos en los que está menos claro si el DCIS se volverá invasivo.
“Dimos el primer paso para entender que deberíamos observar la organización espacial de las células al diagnosticar el DCIS, y ahora hemos desarrollado una técnica que es escalable. A partir de aquí, realmente necesitamos un estudio prospectivo. Trabajar con un hospital y llevar esto hasta la clínica será un importante paso adelante”, dice Caroline Uhler, profesora del Departamento de Ingeniería Eléctrica y Ciencias de la Computación (EECS) y del Instituto de Datos, Sistemas y Sociedad (IDSS), quien también es directora del Centro Eric y Wendy Schmidt en el Instituto Broad del MIT y Harvard e investigadora del Laboratorio de Información y Sistemas de Decisión (LIDS) del MIT.
Uhler, coautor de un artículo sobre esta investigación, está acompañado por el autor principal Xinyi Zhang, estudiante de posgrado en EECS y el Centro Eric y Wendy Schmidt; el coautor de correspondencia GV Shivashankar, profesor de mecogenómica en ETH Zurich junto con el Instituto Paul Scherrer; y otros en MIT, ETH Zurich y la Universidad de Palermo en Italia. La investigación de acceso abierto fue publicada el 20 de julio en Comunicaciones de la naturaleza.
Combinando imágenes con IA
Entre el 30 y el 50 por ciento de los pacientes con DCIS desarrollan una etapa altamente invasiva del cáncer, pero los investigadores no conocen los biomarcadores que podrían indicarle al médico qué tumores progresarán.
Los investigadores pueden utilizar técnicas como la tinción multiplexada o la secuenciación de ARN de células individuales para determinar el estadio del DCIS en muestras de tejido. Sin embargo, estas pruebas son demasiado caras para realizarlas de forma generalizada, explica Shivashankar.
En trabajos anteriores, estos investigadores demostraron que una técnica de obtención de imágenes barata, conocida como tinción de cromatina, podría ser tan informativa como la secuenciación de ARN de una sola célula, mucho más costosa.
Para esta investigación, plantearon la hipótesis de que la combinación de esta única tinción con un modelo de aprendizaje automático cuidadosamente diseñado podría proporcionar la misma información sobre el estadio del cáncer que las técnicas más costosas.
En primer lugar, crearon un conjunto de datos que contenía 560 imágenes de muestras de tejido de 122 pacientes en tres etapas diferentes de la enfermedad. Utilizaron este conjunto de datos para entrenar un modelo de IA que aprende una representación del estado de cada célula en una imagen de muestra de tejido, que utiliza para inferir la etapa del cáncer de un paciente.
Sin embargo, no todas las células son indicativas de cáncer, por lo que los investigadores tuvieron que agruparlas de forma significativa.
Diseñaron el modelo para crear grupos de células en estados similares, identificando ocho estados que son marcadores importantes del DCIS. Algunos estados celulares son más indicativos de cáncer invasivo que otros. El modelo determina la proporción de células en cada estado en una muestra de tejido.
La organización importa
“Pero en el cáncer, la organización de las células también cambia. Descubrimos que no basta con conocer las proporciones de células en cada estado. También es necesario comprender cómo se organizan las células”, afirma Shivashankar.
Con este conocimiento, diseñaron el modelo para considerar la proporción y la disposición de los estados celulares, lo que aumentó significativamente su precisión.
“Lo interesante para nosotros fue ver cuánto importa la organización espacial. Estudios anteriores habían demostrado que las células que están cerca del conducto mamario son importantes. Pero también es importante considerar qué células están cerca de qué otras células”, dice Zhang.
Cuando compararon los resultados de su modelo con muestras evaluadas por un patólogo, hubo una clara concordancia en muchos casos. En casos que no eran tan claros, el modelo podía brindar información sobre características de una muestra de tejido, como la organización de las células, que un patólogo podría usar para tomar decisiones.
Este modelo versátil también podría adaptarse para su uso en otros tipos de cáncer o incluso en enfermedades neurodegenerativas, un área que los investigadores también están explorando actualmente.
“Hemos demostrado que, con las técnicas de IA adecuadas, esta simple tinción puede ser muy eficaz. Todavía queda mucha investigación por hacer, pero debemos tener en cuenta la organización de las células en más estudios”, afirma Uhler.
Esta investigación fue financiada, en parte, por el Centro Eric y Wendy Schmidt del Instituto Broad, ETH Zurich, el Instituto Paul Scherrer, la Fundación Nacional de Ciencias de Suiza, los Institutos Nacionales de Salud de EE. UU., la Oficina de Investigación Naval de EE. UU., la Clínica Jameel del MIT para el Aprendizaje Automático y la Salud, el Laboratorio de Inteligencia Artificial Watson del MIT-IBM y un premio Simons Investigator.
Comments 1