Un modelo de IA identifica ciertas etapas de tumores de mama susceptibles de evolucionar a cáncer invasivo

Debido a que los médicos les resulta difícil determinar el tipo y el estadio del CDIS, las pacientes suelen recibir un tratamiento excesivo. Para solucionar este problema, un equipo interdisciplinar de investigadores del Instituto Tecnológico de Massachusetts (MIT, por sus siglas en inglés) y la Escuela Politécnica Federal de Zúrich (ETH) ha desarrollado un modelo de inteligencia artificial (IA) capaz de identificar los distintos estadios del carcinoma ductal in situ a partir de una imagen de tejido mamario barata y sencilla de obtener. Su modelo demuestra que tanto el estado como la disposición de las células en una muestra de tejido son importantes para determinar el estadio del CDIS.

Como las imágenes de tejido son tan fáciles de obtener, los investigadores pudieron crear uno de los mayores conjuntos de datos de este tipo, que utilizaron para entrenar y probar su modelo. Cuando compararon sus predicciones con las conclusiones de un patólogo, observaron una clara coincidencia en muchos casos.

En el futuro, el modelo podría utilizarse como herramienta para ayudar a los médicos a agilizar el diagnóstico de los casos más sencillos sin necesidad de pruebas laboriosas, lo que les daría más tiempo para evaluar los casos en los que no está tan claro si el carcinoma ductal in situ se convertirá en invasivo.

Combinar la imagen con la IA en el carcinoma ductal in situ

“Hemos dado el primer paso para comprender que deberíamos fijarnos en la organización espacial de las células a la hora de diagnosticar el CDIS, y ahora hemos desarrollado una técnica que es escalable. A partir de aquí, lo que realmente necesitamos es un estudio prospectivo. Trabajar con un hospital y llevar esto a la clínica será un importante paso adelante”, afirma Caroline Uhler, profesora del Departamento de Ingeniería Eléctrica e Informática (EECS) y del Instituto de Datos, Sistemas y Sociedad (IDSS), que también es directora del Centro Eric y Wendy Schmidt del Instituto Broad del MIT y Harvard e investigadora del Laboratorio de Sistemas de Información y Decisión (LIDS) del MIT.

Uhler es coautora del artículo sobre este trabajo, junto al autor principal, Xinyi Zhang, estudiante graduado en EECS y el Centro Eric y Wendy Schmidt y otros investigadores del MIT, la ETH de Zúrich y la Universidad de Palermo en Italia. La investigación, de acceso abierto, se ha publicado en Nature Communications.

Entre el 30 y el 50 por ciento de las pacientes con CDIS desarrollan un estadio de cáncer muy invasivo, pero se desconocen los biomarcadores que podrían indicar a un clínico qué tumores progresarán.

Los investigadores pueden utilizar técnicas como la tinción multiplexada o la secuenciación de ARN unicelular para determinar el estadio del carcinoma ductal in situ en muestras de tejido. Sin embargo, estas pruebas son demasiado caras para realizarlas de forma generalizada, explica el profesor G. V. Shivashankar, también coautor del estudio.

122 pacientes con carcinoma ductal in situ en diferentes fases

En trabajos anteriores, estos investigadores demostraron que una técnica de imagen barata conocida como tinción de cromatina podía ser tan informativa como la secuenciación de ARN unicelular, mucho más costosa.

Para esta investigación, plantearon la hipótesis de que la combinación de esta tinción única con un modelo de aprendizaje automático cuidadosamente diseñado podría proporcionar la misma información sobre el estadio del cáncer que las técnicas más costosas.

En primer lugar, crearon un conjunto de datos con 560 imágenes de muestras de tejido de 122 pacientes en tres fases distintas de la enfermedad. Utilizaron este conjunto de datos para entrenar un modelo de IA que aprende una representación del estado de cada célula en una imagen de muestra de tejido, que utiliza para inferir el estadio del cáncer de un paciente.

Sin embargo, no todas las células son indicativas de cáncer, por lo que los investigadores tuvieron que agregarlas de forma significativa.

Diseñaron el modelo para crear grupos de células en estados similares, identificando ocho estados que son marcadores importantes del CDIS. Algunos estados celulares son más indicativos de cáncer invasivo que otros. El modelo determina la proporción de células en cada estado en una muestra de tejido.

La organización importa

“Pero en el cáncer también cambia la organización de las células. Descubrimos que no basta con conocer las proporciones de células en cada estado. También hay que entender cómo se organizan las células”, explica Shivashankar.

Con esta idea, diseñaron el modelo para tener en cuenta la proporción y la disposición de los estados celulares, lo que aumentó considerablemente su precisión.

“Lo interesante para nosotros fue ver hasta qué punto importaba la organización espacial. Estudios anteriores habían demostrado que las células que están cerca del conducto mamario son importantes. Pero también es importante tener en cuenta qué células están cerca de qué otras células”, explica Zhang.

Cuando compararon los resultados de su modelo con las muestras evaluadas por un patólogo, se observó una clara coincidencia en muchos casos. En los que no estaban tan claros, el modelo podía proporcionar información sobre características de una muestra de tejido, como la organización de las células, que un patólogo podía utilizar en la toma de decisiones.

Posible uso del modelo en otros tipos de cáncer

Este modelo versátil también podría adaptarse para su uso en otros tipos de cáncer, o incluso en afecciones neurodegenerativas, que es un área que los investigadores también están explorando actualmente.

“Hemos demostrado que, con las técnicas de IA adecuadas, esta sencilla tinción puede ser muy potente. Aún queda mucho por investigar, pero debemos tener en cuenta la organización de las células en más estudios”, afirma Uhler.

Referencia científica:

‘Unsupervised representation learning of chromatin images identifies changes in cell state and tissue organization in DCIS‘. Nature Comunications.

Fuente: Massachusetts Institute of Technology (MIT)