Investigadores de Stanford Medicine han desarrollado un modelo de IA diseñado para mejorar el diagnóstico y el tratamiento del glioblastoma, una forma especialmente agresiva de cáncer cerebral.
El glioblastoma plantea retos únicos a los profesionales médicos debido a su composición celular altamente variable de un paciente a otro.
Olivier Gevaert, profesor asociado de informática biomédica y ciencia de datos, destacó la complejidad del tratamiento del glioblastoma. "Debido a la heterogeneidad de esta enfermedad, los científicos no han encontrado buenas formas de abordarla."
En Modelo de IA pretende mitigar este problema analizando imágenes teñidas de tejido de glioblastoma para evaluar sus características, incluida la agresividad del tumor y su composición genética.
Yuanning Zheng, del laboratorio de Gevaert, descrito el sistema de IA como "una especie de sistema de apoyo a la toma de decisiones para los médicos".
El modelo podría ayudar a los médicos a identificar a los pacientes con características celulares indicativas de tumores más agresivos, señalándolos para un seguimiento rápido. El crea un mapa más detallado del tumor, revelando las interacciones entre células y cómo éstas se correlacionan con los resultados de los pacientes.
Gevaert explicó: "El modelo mostró qué células prefieren estar juntas, cuáles no quieren comunicarse y cómo esto se correlaciona con los resultados de los pacientes".
Por ejemplo, el modelo descubrió que la agrupación de células específicas, conocidas como astrocitos, indicaba una forma más agresiva del cáncer. Esta información podría ayudar a diseñar tratamientos más eficaces contra el glioblastoma.
Zheng espera que el modelo pueda servir también como herramienta de evaluación postoperatoria. El modelo demostró que las células tumorales que mostraban signos de falta de oxígeno solían correlacionarse con peores resultados oncológicos.
"Al iluminar las células privadas de oxígeno en muestras quirúrgicas teñidas histológicamente, el modelo puede ayudar a los cirujanos a comprender cuántas células cancerosas pueden quedar en el cerebro y en cuánto tiempo reanudar el tratamiento tras la intervención", declaró Zheng.
Aunque aún se encuentra en fase de investigación, el modelo tiene potencial para aplicarse a otros tipos de cáncer, como el de mama o el de pulmón.
Zheng concluyó: "Creo que estas integraciones de datos multimodales pueden dar forma a la mejora de la medicina personalizada en el futuro."
Actualmente, una versión de prueba de concepto de su modelo, denominada GBM360, está disponible para que los investigadores prueben y carguen imágenes de diagnóstico para predecir los resultados de los pacientes con glioblastoma.
Sin embargo, Zheng se apresuró a añadir que el modelo aún está en fase de investigación y no se utiliza en entornos clínicos reales.
Más información sobre el estudio
El estudio utiliza la IA para interpretar los subtipos de glioblastoma a partir de los datos existentes de los pacientes, lo que ayuda a los médicos a determinar el pronóstico de la enfermedad y la evolución de los distintos pacientes.
Así es como funciona:
- Integración de datos: Los investigadores empezaron integrando múltiples formas de datos, como la secuenciación unicelular de ARN y la transcriptómica espacial, junto con los resultados clínicos de pacientes con glioblastoma. Esto proporcionó un sólido conjunto de datos para desarrollar modelos de aprendizaje automático.
- Desarrollo de modelos: El equipo desarrolló GBM-CNN, un modelo especializado de aprendizaje profundo diseñado para interpretar imágenes histológicas. Este modelo se entrenó para predecir los distintos subtipos transcripcionales de células de glioblastoma, utilizando los datos integrados para su validación.
- Análisis a gran escala: Tras el entrenamiento, GBM-CNN se empleó para analizar más de 40 millones de manchas de tejido de 410 pacientes, creando mapas celulares de alta resolución. El análisis reveló la presencia de entre tres y cinco subtipos malignos en cada tumor.
- Correlación con los datos clínicos: A continuación, los mapas celulares se integraron con los datos clínicos de los pacientes. Se descubrió que determinadas composiciones celulares están relacionadas con peores resultados de los pacientes.
- Validación y pruebas: Para corroborar estos hallazgos, se desarrolló un modelo secundario para predecir el pronóstico de los pacientes basándose en otras imágenes de diagnóstico. Este modelo confirmó los hallazgos iniciales, mostrando asociaciones entre la arquitectura celular y las tasas de supervivencia de los pacientes.
La IA está acelerando enormemente los enfoques de la atención sanitaria basados en datos, apoyando Resonancia magnética, diagnóstico de enfermedades ocularesy sofisticado interfaces cerebro-ordenadorpor nombrar sólo algunas de sus innumerables aplicaciones.
