Herramienta de IA ayuda a realizar diagnósticos en tiempo real durante la cirugía

Cuando un paciente se somete a una operación quirúrgica para extirpar un tumor o tratar una enfermedad, el curso de la cirugía a menudo no está predeterminado. Para decidir cuánto tejido se debe extirpar, los cirujanos deben saber más sobre la afección que están tratando, incluidos los márgenes de un tumor, su etapa y si una lesión es maligna o benigna, determinaciones que a menudo dependen de la recolección, el análisis y el diagnóstico de una enfermedad mientras el paciente está en la mesa de operaciones. Cuando los cirujanos envían muestras a un patólogo para que las examine, tanto la velocidad como la precisión son esenciales. El enfoque estándar de oro actual para examinar tejidos a menudo toma demasiado tiempo y un enfoque más rápido, que implica congelar tejido, puede introducir artefactos que pueden complicar el diagnóstico. Ahora, los investigadores han desarrollado un nuevo método que aprovecha la inteligencia artificial para traducir entre secciones congeladas y el enfoque estándar de oro, mejorando así la calidad de las imágenes para aumentar la precisión de los diagnósticos rápidos.

Para hacer el diagnóstico final, los patólogos usan muestras de tejido fijadas en formalina e incluidas en parafina (FFPE), este método conserva el tejido de una manera que produce imágenes de alta calidad, pero el proceso es laborioso y generalmente toma de 12 a 48 horas. Para un diagnóstico rápido, los patólogos utilizan un método conocido como criosección que consiste en congelar rápidamente el tejido, cortar secciones y observar estas finas rebanadas bajo un microscopio. La criosección lleva minutos en lugar de horas, pero puede distorsionar los detalles celulares y comprometer o desgarrar el tejido delicado. Investigadores del Hospital Brigham and Women's (Boston, MA, EUA) han desarrollado un modelo de aprendizaje profundo que se puede usar para traducir entre secciones congeladas y tejido FFPE que se usa más comúnmente. El equipo demostró que el método podría usarse para subtipificar diferentes tipos de cáncer, incluido el glioma y el cáncer de pulmón de células no pequeñas.

Imagen: Modelo de aprendizaje profundo mejora la calidad de la imagen de las muestras de tejido congelado para aumentar la precisión del diagnóstico de patología sensible al tiempo (Fotografía cortesía de Pexels)

Los investigadores validaron sus hallazgos al reclutar patólogos para un estudio de lectores en el que se les pidió que hicieran un diagnóstico a partir de imágenes que habían pasado por el método de IA e imágenes de criosección tradicionales. El método de IA no solo mejoró la calidad de la imagen, sino que también mejoró la precisión del diagnóstico entre los expertos. El algoritmo también se probó en datos recopilados de forma independiente de Turquía. Los investigadores señalan que, en el futuro, se deben realizar estudios clínicos prospectivos para validar el método de IA y determinar si puede contribuir a la precisión diagnóstica y la toma de decisiones quirúrgicas en entornos hospitalarios reales.

"Estamos utilizando el poder de la inteligencia artificial para abordar un problema antiguo en la intersección de la cirugía y la patología", dijo el autor correspondiente Faisal Mahmood, PhD, de la División de Patología Computacional de BWH. “Hacer un diagnóstico rápido a partir de muestras de tejido congelado es un desafío y requiere capacitación especializada, pero este tipo de diagnóstico es un paso crítico en el cuidado de los pacientes durante la cirugía”.

“Nuestro trabajo muestra que la IA tiene el potencial de hacer que un diagnóstico crítico y sensible al tiempo sea más fácil y más accesible para los patólogos”, dijo Mahmood. “Y potencialmente podría aplicarse a cualquier tipo de cirugía de cáncer. Abre muchas posibilidades para mejorar el diagnóstico y la atención al paciente”.

Enlaces relacionados:
Hospital Brigham and Women's