Cuatro estudios liderados por investigadores de Emory combinan imágenes histológicas, tomografías y datos epigenéticos mediante modelos de IA para mejorar el pronóstico y la toma de decisiones clínicas.
Investigadores del Instituto Winship de Cáncer y del Instituto de IA Empática para la Salud de la Universidad de Emory han desarrollado una serie de modelos de inteligencia artificial (IA) capaces de combinar diferentes tipos de imágenes médicas y datos moleculares para mejorar la evaluación del riesgo en cánceres de cabeza y cuello, particularmente tumores orofaríngeos. A través de cuatro estudios recientes, el equipo ha demostrado cómo la integración de datos microscópicos, radiológicos y epigenéticos puede ofrecer una visión más precisa del comportamiento tumoral y orientar mejor las intervenciones médicas.
Los investigadores utilizaron IA para integrar distintos niveles de análisis del cáncer, desde imágenes celulares hasta tomografías computarizadas, permitiendo una visión más completa del tumor. “Estas diferentes lentes, macroscópicas y microscópicas, realmente ofrecen perspectivas distintas del mismo tumor”, explicó Anant Madabhushi, director ejecutivo del Instituto Emory de IA Empática para la Salud y autor principal de los estudios. Según Madabhushi, la clave está en “convergir estas diferentes escalas de datos” para lograr una caracterización integral de la complejidad del tumor.
Todos los estudios se centraron en cánceres de cabeza y cuello, en particular los tumores de la orofaringe. El profesor Nabil Saba, coautor de tres de los estudios, señaló que estos avances “están revolucionando todo lo que hacemos” en el diagnóstico del cáncer. Los tumores en esta región son especialmente complejos por su variabilidad anatómica y su crecimiento agresivo, lo que los convierte en candidatos ideales para estudios de este tipo.
Uno de los proyectos utilizó una plataforma llamada VISTA para convertir imágenes histológicas estándar (H&E) en versiones virtuales de inmunohistoquímica (IHC), permitiendo detectar macrófagos asociados a tumores (TAMs, en inglés), que normalmente requieren tinciones especiales para ser visibles. “Estos macrófagos tienen un papel pronóstico fuerte en muchos tipos de cáncer”, señaló Madabhushi. “Con este enfoque, pudimos visualizar algo que normalmente no se puede ver en una imagen estándar”.
En otro estudio, los investigadores aplicaron un modelo de machine learning conocido como swin transformer para combinar datos extraídos de tomografías previas al tratamiento, incluyendo características tanto del tumor primario como de los ganglios linfáticos del cuello. Esta combinación de información resultó ser altamente predictiva para determinar el pronóstico a largo plazo de los pacientes.
Un tercer estudio amplió el uso del swin transformer mediante una versión adaptada llamada SMuRF, la cual permitió fusionar imágenes microscópicas de tejidos con escaneos radiológicos en 3D. Esta herramienta no solo logró predecir la supervivencia de los pacientes, sino también identificar qué pacientes se beneficiarían más del tratamiento con quimioterapia.
El cuarto proyecto avanzó aún más al vincular imágenes histológicas con datos epigenéticos. Utilizando un modelo denominado pathogenomic fingerprinting, el equipo logró relacionar la arquitectura celular del tumor con patrones genéticos que influyen en su desarrollo. “Tener una comprensión molecular más profunda de la epigenética del tumor mejora significativamente nuestra comprensión de lo que ocurre a nivel celular”, indicó Madabhushi.
Los cuatro estudios comparten el objetivo común de mejorar la evaluación del riesgo oncológico, ayudando a distinguir entre tumores más agresivos y aquellos con menor probabilidad de progresión. En todos los casos, los modelos de IA que integraron múltiples tipos de datos superaron a los enfoques basados en fuentes de información aisladas. No obstante, los investigadores destacan que aún es necesario avanzar con cautela antes de trasladar estas herramientas al entorno clínico. “Estamos en una etapa de comprensión de lo que se puede hacer. La clave es cómo analizar estos datos en el contexto del cuidado del paciente para brindar el mejor tratamiento posible”, concluyó el Dr. Saba.
