Nueva técnica basada algoritmos predeciría evolución del cáncer de ovario

El cáncer de ovario es reconocido por ser uno de los más difíciles de detectar a tiempo, ya que en sus primeras etapas los síntomas se confunden con molestias comunes como dolores abdominales. Por eso muchos casos se diagnostican cuando ya está avanzado, lo que dificulta el tratamiento. En Colombia casi 1.100 mujeres mueren al año a causa de esta enfermedad.

Convencida de que existen otras alternativas para su diagnóstico, la investigadora Eileen Tatiana Montoya, magíster en Ingeniería Biomédica de la Universidad Nacional de Colombia (UNAL), exploró técnicas de aprendizaje automático que no se han estudiado ampliamente en este tema puntual.

Para eso enfocó sus esfuerzos en entrenar un algoritmo de supervisión avanzado conocido como “máquina de vectores de soporte”, para que aprendiera a reconocer ciertos patrones en las imágenes de tejidos extraídos del cuerpo humano mediante de resección quirúrgica, o imágenes histopatológicas, las cuales se usan habitualmente para examinar células y detectar enfermedades, en este caso el cáncer.

La inteligencia artificial identifica no solo el tumor sino también las células sanas que interactúan alrededor de él. Esto es importante, ya que estudiar el entorno del tumor, conocido como “microambiente tumoral”, ayudaría a determinar si el cáncer está empeorando o si está respondiendo al tratamiento.

“El microambiente tumoral es el conjunto de células y tejidos que rodean el tumor; cuando el cáncer se desarrolla, las células del sistema inmunológico intentan atacarlo para evitar que crezca, pero él también tiene la capacidad de ‘defenderse’, e incluso de ‘transformar’ las células que deberían combatirlo”, explica la magíster Montoya.

Estudiando estas interacciones los investigadores pueden entender mejor cómo progresa la enfermedad, ya que antes de esta investigación no se había analizado más allá de los estudios convencionales en células, que además de ser costosos suelen ser complejos.

“Nosotros clasificamos varias imágenes con los patólogos, las marcamos con etiquetas y se las enseñamos a nuestra máquina a través del método de aprendizaje automático”, comenta.

Mediante este enfoque la investigadora clasificó con gran precisión 3 tipos de tejido esenciales: el tumor, el tejido sano (estroma) y el tejido necrótico, es decir muerto. Según la experta, esta clasificación le permitió analizar en detalle las interacciones entre el tumor y su microambiente.

Relación con la progresión del cáncer

Después de clasificar con éxito los diferentes tipos de tejido, la magíster analizó cómo se relacionaban estos con la evolución de la enfermedad en los pacientes.

“Le ponemos imágenes completas al clasificador y él indica el tejido que está en cada una, y luego filtramos toda la imagen buscando los espacios en los que solo están los tres tejidos; esos pedazos serán nuestros ambientes, y a partir de allí establecemos relaciones”.

Relacionando estos microambientes tumorales con la información clínica de los pacientes –como el tiempo de supervivencia–, la investigadora encontró que ciertos patrones estaban estrechamente vinculados con el pronóstico dado.

“Los pacientes con microambientes que reflejaban un tumor más agresivo y en estadios avanzados, según su historial, tuvieron peores desenlaces, mientras que aquellos con microambientes más ‘saludables’ presentaron mejores resultados clínicos. Lo que nos sorprendió fue encontrar que desde los tejidos también se podía ver muy bien la relación de los microambientes y el progreso de la enfermedad”, comenta la investigadora.

Por último, señala que el potencial de estos resultados es que, al poder identificar patrones en el microambiente tumoral a través de las imágenes histopatológicas, los médicos contarán con una herramienta valiosa de apoyo para diagnosticar y monitorear tempranamente la enfermedad.