Filtrar por tipo de entrada
Seleccionar todo
Noticias
Páginas
Eventos
Filtrar por categorías
Seleccionar todo
AI ANALITICA
Apps móviles e Internet de las Cosas
Avance de la ciencia
Big data
Comunidades conectadas
Coronavirus
Cursos y capacitaciones
DIAGNOSTICO
Editorial inicial
Editoriales
El mundo en la nube
Eventos
Infografías
Inteligencia Artificial y Ciencia
IoTApps
Noticias
Plataformas digitales
Redes sociales
Reseña de publicaciones científicas
Resumen de Cursos
Sinopsis de ensayo
Sinopsis de Marcos de Referencia
Sinopsis de publicaciones recientes
Uso de Plataformas Digitales
IA logra identificar etapas de tumores que podrían convertirse en cáncer invasivo de mama

Modelo de IA es capaz de identificar ciertas etapas de tumores de mama con probabilidades de progresar y convertirse en cáncer invasivo.

El carcinoma ductal in situ (CDIS), es un tipo pre invasivo que tiene posibilidades de progresar en una forma de cáncer de mama mortal. Además de su agresividad, el CDIS es sumamente difícil de diagnóstica de manera precisa debido a los desafíos que existen para determinar el tipo y el estadio del tumor. Por ello, las personas con este tipo de tumor pueden recibir de manera poco precisa un tratamiento excesivo. Entre el 30 y 50% de los pacientes con CDIS desarrollan una etapa invasiva del cáncer, sin embargo, los investigadores no conocen exactamente los biomarcadores que podrían indicar qué tumores progresarán de esta manera.

Para abordar esta problemática, investigadores del MIT y de la ETH de Zúrich desarrollaron un modelo de inteligencia artificial (IA) y machine learning, que es capaz de identificar los diferentes estadios del DCIS a partir de una imagen de tejido mamario de bajo costo y fácil de obtener. El estudio publicado en Nature Communications, detalla cómo el modelo muestra que la disposición de las células en una muestra de tejido es información crítica para determinar el estadio del DCIS. Es decir, la organización espacial es clave para conocer con precisión cuáles tumores progresarán.

“Descubrimos que no basta con conocer las proporciones de células en cada estado. También es necesario comprender cómo se organizan las células”, explicó G. V. Shivashankar, profesor y especialista en mecanobiología en ETH Zúrich.

Además, las imágenes de tejidos no requieren procesos tan complejos para obtenerse, por lo que los investigadores pudieron crear un conjunto de datos robusto y uno de los más grandes de su tipo, para entrenar y probar el modelo.

De esta forma, los investigadores confían que este modelo puede utilizarse en un futuro cercano para ayudar a los especialistas a agilizar el diagnóstico de casos más simples, sin necesidad de que los pacientes sean sometidos a pruebas que requieren múltiples recursos. Esto permitiría que los médicos tengan más tiempo para evaluar casos en los que es menos claro si el CDIS se volverá invasivo.

“Dimos el primer paso para entender que deberíamos observar la organización espacial de las células al diagnosticar el DCIS, y ahora hemos desarrollado una técnica que es escalable. A partir de aquí, realmente necesitamos un estudio prospectivo. Trabajar con un hospital y llevar esto hasta la clínica será un importante paso adelante”, dice Caroline Uhler, profesora del Departamento de Ingeniería Eléctrica y Ciencias de la Computación y del Instituto de Datos, Sistemas y Sociedad del MIT.

Cabe destacar, que este modelo no solo busca ofrecer un mejor tratamiento para las pacientes con CDIS sino reducir costos en la atención médica para hacerlos más accesibles. Técnicas anteriores exploraron el uso de técnicas como la tinción multiplexada o la secuenciación de ARN de células individuales para determinar el estadio del DCIS en muestras de tejido, sin embargo, son pruebas costosas lo que impide su adopción generalizada.

Este estudio buscó combinar dicho método con un modelo de machine learning con 560 imágenes de muestras de tejido de 122 pacientes en tres distintas etapas de la enfermedad. La IA aprendió la representación del estado de cada célula en una imagen de muestra de tejido, y posteriormente infiere la etapa del cáncer del paciente.

Además, el potencial de este versátil modelo es que sería capaz de adaptarse para utilizarse en otros tipos de cáncer, sin embargo, para ello se requieren nuevos estudios y más investigación.

Noticias destacadas

Noticias por país

Contenidos Relacionados

Secured By miniOrange