El cáncer de mama, clasificado con la inteligencia artificial
Científicos del Instituto Paul Scherrer, en Suiza, y del Instituto Tecnológico de Massachusetts (MIT), en Estados Unidos han utilizado la inteligencia artificial para conocer cuándo un tumor seguirá siendo fácilmente curable y cuáles se convertirán en un carcinoma ductal invasivo potencialmente mortal.
Por Werner Siefer
Imagen conceptual que ilustra cómo la inteligencia artificial puede ayudar en la clasificación del cáncer de mama. Generada con DALL-E
No todos los cánceres son iguales. Algunos tumores malignos crecen muy lentamente o se estancan, y casi nunca progresan de una etapa preliminar bastante benigna a una forma potencialmente mortal. Podría ser este el caso del carcinoma de próstata, en los hombres; y del carcinoma ductal in situ (CDIS), en la mujer. También conocido como cáncer de mama en estadio 0, que se caracteriza por la presencia de células malignas en en los conductos galactóforos. No es invasivo y no pone en peligro la vida de la paciente.
Ahora bien, entre el 30% y el 50% de los casos el CDIS evoluciona a carcinoma mamario invasivo. Dado que el CDIS es altamente curable, los médicos suelen recomendar su tratamiento. Hasta ahora, los oncólogos carecían de los indicadores necesarios para decidir con fiabilidad qué tumores seguirán siendo benignos y cuáles se convertirán en un carcinoma ductal invasivo (CDI) potencialmente mortal.
G.V. Shivashankar, director del Laboratorio de Biología a Nanoescala del PSI y profesor de Mecanogenética en la ETH de Zúrich; y Caroline Uhler, directora del Centro Eric y Wendy Schmidt del Instituto Broad y profesora de Ingeniería Eléctrica y Ciencias de la Computación en el MIT, han puesto en marcha un nuevo estudio para tratar de llenar este vacío.
Shivashankar y Uhler han desarrollado una técnica de análisis de imágenes que puede evaluar de forma fiable el estadio de la enfermedad con la asistencia de la inteligencia artificial (IA). "Nuestro trabajo marca un enfoque único para identificar la etapa del CDIS basado en imágenes, que muestran cómo se empaqueta el ADN en cada célula individual. Recopilar los datos necesarios es fácil y económico", dice Shivashankar.
La decisión terapéutica, fuente de incertidumbre para las mujeres afectadas
Alrededor de una cuarta parte de los cánceres de seno recién diagnosticados será un carcinoma ductal in situ (DCIS). En las mujeres afectadas, las células que recubren los conductos galactóforos están alteradas en comparación con el tejido sano; a menudo se observan microdepósitos de cal. La enfermedad se puede tratar con radiación, terapia hormonal o cirugía.
En la práctica clínica, los médicos utilizan un proceso conocido como gradación para determinar el pronóstico del CDIS y seleccionar una terapia adecuada. El grado es una forma de clasificar cómo de agresivo puede ser un tumor.
En concreto, los oncólogos clasifican las mutaciones observadas en el ADN según una escala de siete grados en total. Describen el tamaño del CDIS, la apariencia de cada célula cancerosa, si sus núcleos celulares están presentes o no, si se ha producido hiperplasia (crecimiento), si las células han invadido los tejidos cercanos (tumor invasivo), si se han diseminado a las células linfáticas o sanguíneas (tumor agresivo) o si están formando tumores secundarios (tumores metastásicos).
Sin embargo, la progresión del CDIS a una forma peligrosa de CDI no sigue un camino claro: entre el 50% y el 70% de los casos siguen siendo leves. Pero ¿cómo saber cuáles? Los científicos siguen diferentes enfoques para mejorar la fiabilidad del pronóstico. Esto incluye una compleja técnica de imágenes médicas para determinar los indicadores de riesgo de una forma temprana de cáncer a partir de las imágenes.
El grupo del doctor Shivashankar está desarrollando en el Instituto Paul Scherrer varios métodos para el diagnóstico y pronóstico del cáncer con la ayuda de algoritmos de aprendizaje. Foto: Paul Scherrer Institute PSI / Markus Fischer
Otro enfoque es el análisis más profundo del transcriptoma, esto es, el estudio de todas las moléculas de ARN en una célula o en un conjunto de estas: el ARN mensajero (ARNm), el ARN ribosómico (ARNr), el ARN de transferencia (ARNt) y otros ARN no codificantes. Analizar los cambios en el transcriptoma de células enfermas comparadas con células sanas puede ayudar a identificar genes que están involucrados en enfermedades, lo que puede llevar al desarrollo de diagnósticos más precisos o terapias dirigidas.
Así pues, la secuenciación del genoma debería permitir determinar cuántos y qué genes están activos en las células sospechosas en un momento dado. Sin embargo, estos enfoques aún no han sido probados en la práctica clínica y son difícilmente viables porque son demasiado complicados y costosos. Para las mujeres afectadas, persiste la incertidumbre a la hora de tomar una decisión sobre el tratamiento. Se enfrentan a una terapia oncológica que no solo puede ser innecesaria, sino que también conlleva el riesgo de efectos secundarios.
La combinación de imágenes de IA y cromatina tiene un gran potencial para clasificar tumores
El estudio actual muestra que el uso de la inteligencia artificial (IA) puede mejorar la estadificación de la enfermedad —la estadificación se refiere a la extensión del cáncer, como el tamaño del tumor y si el cáncer se diseminó— con datos que son fáciles y económicos de recopilar.
Los investigadores, dirigidos por Shivashankar y Uhler, entrenaron un algoritmo de aprendizaje automático con 560 muestras de tejido de 122 pacientes. Estas muestras se habían teñido con el colorante DAPI, que hace que la cromatina del núcleo celular sea fluorescente. La cromatina está formada, entre otras cosas, por ADN y proteínas. Su aspecto permite extraer conclusiones sobre la organización y, por tanto, la actividad del ADN en el núcleo celular.
Tras una fase de aprendizaje, el modelo de IA fue capaz de identificar patrones en las secciones de tejido que coincidían con las diferencias identificadas por los patólogos humanos. “Nuestro análisis demuestra que las imágenes de cromatina, que son baratas y fáciles de obtener, junto con potentes algoritmos de IA, pueden proporcionar información suficiente para estudiar cómo cambian el estado celular y la organización tisular durante la transición de CDIS a CDI, y predecir así con exactitud el estadio de la enfermedad”, explica Uhler.
Shivashankar y Uhler creen que esta combinación de imágenes de IA y cromatina tiene un gran potencial para clasificar tumores. Sin embargo, antes de que este método pueda utilizarse en la práctica, se necesitarán muchos más estudios que atestigüen la fiabilidad y la seguridad de este enfoque, incluida la observación a largo plazo de los pacientes con carcinoma ductal in situ. ▪️
Información facilitada por el Instituto Paul Scherrer -Adaptación: Enrique Coperías / RexMolón Producciones
Fuente: Xinyi Zhang, Saradha Venkatachalapathy, Daniel Paysan, Paulina Schaerer, Claudio Tripodo, Caroline Uhler, GV Shivashankar. Unsupervised representation learning of chromatin images identifies changes in cell state and tissue organization in DCIS. Nature Communications (2024). DOI: https://doi.org/10.1038/s41467-024-50285-1
