Herramienta de IA supera a patólogos expertos en predicción de resultados del cáncer de mama

Los patólogos tradicionalmente evalúan los tejidos cancerosos de los pacientes para guiar las estrategias de tratamiento. Esta evaluación, conocida como clasificación, examina la apariencia de las células cancerosas y es crucial para determinar el plan de tratamiento de un paciente. Este proceso de clasificación, centrado en la morfología de las células cancerosas, ha sido una práctica estándar durante muchos años. Ahora, un estudio ha descubierto que una nueva herramienta de inteligencia artificial (IA) supera a los patólogos expertos en la predicción de la progresión de la enfermedad de un paciente basándose en evaluaciones de tejidos.

Desarrollada por investigadores de la Universidad Northwestern (Evanston, IL, EUA), esta herramienta de IA ofrece el potencial de alterar significativamente la ruta de tratamiento para pacientes con cáncer de mama. La capacidad de la herramienta para identificar con mayor precisión a aquellos pacientes actualmente clasificados como de riesgo alto o intermedio pero que tendrán un pronóstico favorable a largo plazo podría conducir a tratamientos de quimioterapia menos agresivos. Este avance es particularmente significativo dados los efectos secundarios adversos asociados con la quimioterapia, como náuseas y posibles daños cardíacos. Estudios anteriores han destacado el papel de las células no cancerosas, incluidas las células inmunitarias y las células de los tejidos estructurales, en la progresión del cáncer. Esta herramienta de IA es pionera en su evaluación integral de elementos cancerosos y no cancerosos en el cáncer de mama invasivo.

Para entrenar este modelo de IA, los investigadores utilizaron una colaboración internacional a gran escala de estudiantes de medicina y patólogos. Esta red proporcionó extensas anotaciones generadas por humanos de células y estructuras tisulares dentro de imágenes digitales de tejidos de cáncer de mama, recopiladas a través de un sitio web durante varios años. El sistema de IA evalúa 26 aspectos diferentes del tejido mamario, produciendo una puntuación de pronóstico general. El sistema también genera puntuaciones individuales para las células cancerosas, inmunes y estromales para explicar la puntuación general al patólogo. Por ejemplo, en algunas pacientes, una puntuación de pronóstico favorable puede deberse a las propiedades de sus células inmunitarias, mientras que para otras puede deberse a las propiedades de sus células cancerosas. Esta información podría ser utilizada por el equipo de atención de la paciente para crear un plan de tratamiento individualizado.

Según los investigadores, la adopción del nuevo modelo podría proporcionar a las pacientes diagnosticadas con cáncer de mama una estimación más precisa del riesgo asociado con su enfermedad, permitiéndoles tomar decisiones informadas sobre su atención clínica. Además, este modelo puede ayudar a evaluar la respuesta terapéutica, permitiendo intensificar o reducir el tratamiento dependiendo de cómo cambia la apariencia microscópica del tejido con el tiempo. Por ejemplo, la herramienta puede reconocer la eficacia del sistema inmunológico de una paciente para atacar el cáncer durante la quimioterapia, lo que podría usarse para reducir la duración o la intensidad de la quimioterapia. A continuación, los científicos evaluarán este modelo de forma prospectiva para validarlo para uso clínico. Los científicos también están trabajando para desarrollar modelos para tipos más específicos de cáncer de mama como el triple negativo o el HER2 positivo. El cáncer de mama invasivo abarca varias categorías diferentes y los patrones tisulares importantes pueden variar entre estas categorías.

"Nuestro estudio demuestra la importancia de los componentes no cancerosos para determinar el resultado de un paciente", dijo el autor correspondiente del estudio Lee Cooper, profesor asociado de patología en la Facultad de Medicina Feinberg de la Universidad Northwestern. "La importancia de estos elementos se conocía a partir de estudios biológicos, pero este conocimiento no se ha trasladado de manera efectiva al uso clínico".

"Estos patrones son difíciles de evaluar para un patólogo, ya que pueden ser difíciles de categorizar de manera confiable para el ojo humano", dijo Cooper, también miembro del Centro Integral de Cáncer Robert H. Lurie de la Universidad Northwestern. "El modelo de IA mide estos patrones y presenta información al patólogo de una manera que le aclara el proceso de toma de decisiones de la IA al patólogo".

Enlaces relacionados:
Universidad Northwestern

Visitar la expo >

Miembro Platino

PRUEBA DE INMUNOENSAYO DE XILAZINA

Xylazine ELISA

Magnetic Bead Separation Modules
MAG and HEATMAG

POCT Fluorescent Immunoassay Analyzer

FIA Go

Miembro Oro

Parainfluenza Virus Test

PARAINFLUENZA ELISA