El sistema GAS transforma imágenes congeladas de tejidos en versiones de alta calidad para facilitar decisiones médicas más precisas durante cirugías.
La calidad de las muestras de tejido congelado que se analizan durante cirugías puede comprometer la precisión diagnóstica de los patólogos. Para enfrentar este reto, un equipo de investigación desarrolló GAS (Generación, Evaluación y Soporte), una plataforma de artificial intelligence (AI) que optimiza imágenes, evalúa su calidad y apoya la toma de decisiones clínicas en tiempo real. Un estudio fue publicado en npj Digital Medicine journal, detallando los hallazgos de la plataforma.
El diagnóstico por secciones congeladas es una técnica esencial durante las cirugías, ya que permite a los médicos tomar decisiones rápidas sobre la intervención quirúrgica. No obstante, la calidad de estas muestras puede verse afectada por el tiempo limitado, lo que genera imágenes con artefactos que dificultan el análisis.
Los ensayos se llevaron a cabo con más de 6,700 imágenes de diapositivas digitales provenientes de múltiples hospitales. En tareas como detección de márgenes positivos o diferenciación entre tipos de cáncer de mama y pulmón, las imágenes generadas por GAS superaron a las congeladas en métricas de precisión diagnóstica.
GAS, es una plataforma de AI diseñada para abordar esta problemática mediante tres módulos integrados:
Módulo de Generación: utiliza redes generativas adversariales (GANs, en inglés) para transformar imágenes de tejido congelado en representaciones virtuales de alta calidad, similares a las obtenidas mediante el método estándar FFPE (tejido fijado en formol e incluido en parafina). Esta mejora fue validada mediante estudios de lectores, donde los patólogos no pudieron distinguir con claridad entre imágenes reales y generadas.
Módulo de Evaluación: emplea modelos de control de calidad, ajustados a partir de modelos fundacionales de patología, para calificar características clave como el detalle nuclear, el detalle citoplasmático, la fibrosis extracelular y la calidad general de la tinción. En pruebas independientes, el sistema mostró una mejora significativa en la calidad de las imágenes generadas respecto a las congeladas.
Módulo de Soporte: integra la plataforma en entornos clínicos mediante un software colaborativo entre humanos y máquinas. Este sistema permite a los patólogos identificar áreas dudosas en las imágenes congeladas y transformarlas selectivamente en versiones FFPE virtuales. Aunque las decisiones diagnósticas no variaron, el nivel de confianza de los médicos aumentó de forma estadísticamente significativa.
Los resultados del estudio confirman que la plataforma GAS mejora significativamente la calidad de las imágenes de secciones congeladas, elevándolas al nivel de las imágenes FFPE mediante técnicas de AI. La combinación de un módulo generativo robusto, herramientas de evaluación específicas para características microestructurales y un sistema de apoyo clínico permitió no solo incrementar la precisión de los modelos diagnósticos, sino también reforzar la confianza de los patólogos durante procedimientos quirúrgicos en tiempo real.
Su validación en múltiples cohortes, incluyendo estudios prospectivos, demuestra su aplicabilidad clínica y su potencial para integrarse de manera efectiva en flujos de trabajo quirúrgicos exigentes, marcando un paso importante hacia la adopción real de soluciones de AI end-to-end en la patología digital.
