Las imágenes de infrarrojo cercano y el aprendizaje automático pueden identificar tumores ocultos
La técnica de aprendizaje automático desarrollada por el Dr. Takemura y su equipo pudo distinguir el tejido tumoral del tejido sano en imágenes ex vivo de tumores resecados, con un 86 % de precisión. Crédito: Hiroshi Takemura de la Universidad de Ciencias de Tokio
Los tumores pueden dañar los vasos sanguíneos y los tejidos circundantes, incluso si son benignos. Si son malignos, son agresivos y astutos y, a menudo, irrevocablemente dañinos. En este último caso, la detección temprana es clave para el tratamiento y la recuperación. Pero dicha detección a veces puede requerir tecnología de imagen avanzada, más allá de lo que está disponible comercialmente en la actualidad.
Por ejemplo, algunos tumores se producen en el interior de los órganos y tejidos, cubiertos por una capa mucosa, lo que dificulta que los científicos los observen directamente con métodos estándar como la endoscopia (que inserta una pequeña cámara en el cuerpo del paciente a través de un tubo delgado ) o alcanzarlos durante las biopsias. En particular, los tumores del estroma gastrointestinal (GIST) que se encuentran típicamente en el estómago y el intestino delgado requieren técnicas exigentes que consumen mucho tiempo y prolongan el diagnóstico. Ahora, para mejorar el diagnóstico de GIST, los Dres. Daiki Sato, Hiroaki Ikematsu y Takeshi Kuwata del National Cancer Center Hospital East en Japón, el Dr. Hideo Yokota del RIKEN Center for Advanced Photonics, Japón, y los Dres. Toshihiro Takamatsu y Kohei Soga de la Universidad de Ciencias de Tokio, Japón, dirigidos por el Dr. Hiroshi Takemura, han desarrollado una tecnología que utiliza imágenes hiperespectrales del infrarrojo cercano (NIR-HSI) junto con el aprendizaje automático. Sus hallazgos se publican en Nature’s Scientific Reports.
«Esta técnica es un poco como los rayos X, la idea es que usa radiación electromagnética que puede atravesar el cuerpo para generar imágenes de las estructuras internas», dijo el Dr. Takemura explica: «La diferencia es que los rayos X están entre 0,01 y 10 nm, pero el infrarrojo cercano está entre 800 y 2500 nm. A esa longitud de onda, la radiación del infrarrojo cercano hace que los tejidos parezcan transparentes en las imágenes. Y estas longitudes de onda son menos dañino para el paciente que incluso los rayos visibles».
Esto debería significar que los científicos pueden investigar con seguridad algo que está oculto dentro de los tejidos, pero hasta el estudio del Dr. Takemura y sus colegas, nadie había intentado use NIR-HSI en tumores profundos como los GIST. Hablando de lo que los llevó a seguir esta línea de investigación, el Dr. Takemura rinde homenaje al difunto profesor que comenzó su viaje: «Este proyecto ha sido posible solo gracias al difunto Prof. Kazuhiro Kaneko, quien rompió las barreras entre médicos e ingenieros. y establecimos esta colaboración. Estamos siguiendo sus deseos».
Dr. El equipo de Takemura realizó experimentos de imágenes en 12 pacientes con casos confirmados de GIST, a quienes se les extirparon los tumores mediante cirugía. Los científicos tomaron imágenes de los tejidos extirpados usando NIR-HSI y luego hicieron que un patólogo examinara las imágenes para determinar el límite entre el tejido normal y el tumoral. Luego, estas imágenes se usaron como datos de entrenamiento para un algoritmo de aprendizaje automático, esencialmente enseñando a un programa de computadora a distinguir entre los píxeles de las imágenes que representan tejido normal y los que representan tejido tumoral.
Los científicos descubrieron que a pesar de que 10 de los 12 tumores de prueba estaban total o parcialmente cubiertos por una capa mucosa, el análisis de aprendizaje automático fue eficaz para identificar GIST, codificar correctamente por colores las secciones tumorales y no tumorales con una precisión del 86 %. «Este es un desarrollo muy emocionante», explica el Dr. Takemura, «Ser capaz de diagnosticar de manera precisa, rápida y no invasiva diferentes tipos de tumores submucosos sin biopsias, un procedimiento que requiere cirugía, es mucho más fácil tanto para el paciente como para el paciente». médicos.»
Dr. Takemura reconoce que aún quedan desafíos por delante, pero siente que está preparado para resolverlos. Los investigadores identificaron varias áreas que mejorarían sus resultados, como hacer que su conjunto de datos de entrenamiento sea mucho más grande, agregar información sobre la profundidad del tumor para el algoritmo de aprendizaje automático e incluir otros tipos de tumores en el análisis. También se está trabajando para desarrollar un sistema NIR-HSI que se base en la tecnología de endoscopia existente.
«Ya hemos construido un dispositivo que conecta una cámara NIR-HSI al extremo de un endoscopio y esperamos realizar análisis NIR-HSI directamente en un paciente pronto, en lugar de solo en los tejidos que se extirparon quirúrgicamente», dice el Dr. Takemura, «En el futuro, esto nos ayudará a separar los GIST de otros tipos de tumores submucosos que podrían ser incluso más malignos y peligrosos. Este estudio es el primer paso hacia una investigación mucho más innovadora en el futuro, posible gracias a esta colaboración interdisciplinaria». estar clínicamente disponible ampliamente, pronto!
Explore más
El estudio muestra que ciertos tumores gastrointestinales se asocian con una mayor mortalidad Más información: Daiki Sato et al, Distinción de tumor del estroma gastrointestinal resecado quirúrgicamente mediante imágenes hiperespectrales de infrarrojo cercano, Scientific Reports ( 2020). DOI: 10.1038/s41598-020-79021-7 Información de la revista: Scientific Reports
Proporcionado por la Universidad de Ciencias de Tokio Cita: Las imágenes del infrarrojo cercano y el aprendizaje automático pueden identificar tumores ocultos (2021, 2 de febrero) recuperado el 30 de agosto de 2022 de https://medicalxpress.com/news/2021-02-near-infrared-imaging-machine-hidden-tumors.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.