Herramienta de IA mejora detección del cáncer de mama

El diagnóstico del cáncer de mama se basa en el examen de muestras microscópicas de tejido, un proceso que requiere mucho tiempo y que se dificulta aún más debido a la escasez mundial de patólogos capacitados. Los retrasos en el diagnóstico pueden provocar la pérdida de oportunidades de tratamiento temprano. Ahora, un nuevo sistema de inteligencia artificial (IA) puede ayudar a interpretar portaobjetos de tejido con mayor rapidez y precisión, lo que podría mejorar el acceso al diagnóstico oportuno del cáncer.

El sistema de IA, denominado Red de Segmentación Guiada por Contexto (CGS-Net), fue diseñado por investigadores de la Universidad de Maine (Orono, Maine, EUA) para imitar el estudio del tejido canceroso por parte de patólogos humanos, combinando detalles celulares de alta resolución con un contexto tisular más amplio. Este enfoque de doble codificador permite al modelo interpretar portaobjetos histológicos con mayor precisión que los sistemas de IA convencionales de una sola entrada.

CGS-Net procesa dos parches de imagen sincronizados simultáneamente: uno captura la estructura celular, mientras que el otro ofrece una vista más amplia y de menor resolución que refleja la arquitectura tisular que rodea el mismo píxel. Estos flujos de datos complementarios se fusionan mediante codificadores y decodificadores interconectados para crear un análisis más integral de las características del cáncer de mama.

El equipo entrenó el sistema con 383 imágenes digitalizadas de ganglios linfáticos en portaobjetos completos para distinguir entre tejido sano y canceroso. Los hallazgos, publicados en Scientific Reports, muestran que CGS-Net superó consistentemente a los modelos tradicionales, demostrando una mayor precisión predictiva para la segmentación binaria del cáncer. Al reflejar el flujo de trabajo natural de los patólogos humanos, la herramienta mejora la interpretación diagnóstica en lugar de reemplazar la experiencia clínica.

Los investigadores afirman que el sistema podría ampliarse para incluir múltiples niveles de aumento, segmentación multiclase y otros tipos de cáncer. También prevén la integración de datos radiológicos o moleculares para obtener información diagnóstica aún más completa. A medida que la patología digital se vuelve cada vez más común, los sistemas de IA basados en el comportamiento clínico real podrían ayudar a reducir las brechas diagnósticas, especialmente en regiones con una grave escasez de personal.

“Este modelo integra regiones tisulares locales detalladas y regiones contextuales más amplias para mejorar la precisión de las predicciones de cáncer en preparaciones histológicas”, afirmó Jeremy Juybari, quien lideró la investigación. “Al introducir un algoritmo de entrenamiento único y una estrategia de inicialización innovadora, esta investigación demuestra cómo la incorporación del contexto del tejido circundante puede mejorar significativamente el rendimiento del modelo. Estos hallazgos refuerzan la importancia del análisis holístico de imágenes en las aplicaciones de IA médica”.

Enlace relacionado
Universidad de Maine