La microscopía multifotónica asociada al aprendizaje profundo aporta rapidez y precisión ante tumores pancreáticos

Las neoplasias neuroendocrinas pancreáticas (PNEN) son un cáncer poco común que afecta a las células productoras de hormonas del páncreas cuya incidencia ha aumentado drásticamente en los últimos años.

Las opciones de tratamiento incluyen quimioterapia y terapias dirigidas, pero la cirugía sigue siendo la única opción terapéutica potencialmente curativa. Esta intervención se basa tanto en la localización preoperatoria del tumor como en la definición de los márgenes postoperatorios mediante examen histopatológico para la toma de decisiones. Sin embargo, las decisiones quirúrgicas, a menudo, dependen de los resultados de la patología, que pueden tardar horas o incluso días, lo que retrasa el tratamiento y aumenta el riesgo de extirpación incompleta del tumor.

Al respecto, investigadores de la Universidad de Arizona (EEUU) han logrado desarrollar un nuevo método de imagen que podría ayudar a los cirujanos a identificar tejido canceroso con mayor rapidez y precisión.

Tal como se expone en la revista 'Biophotonics Discovery', la técnica, denominada microscopía multifotónica (MPM), utiliza un tipo de imagen basada en luz que puede resaltar las moléculas fluorescentes naturales del tejido. A diferencia de la microscopía tradicional, la MPM produce menos daño a las muestras y proporciona imágenes más nítidas, lo que la convierte en una herramienta prometedora para el análisis en tiempo real durante la cirugía.

El equipo de investigación utilizó MPM para escanear muestras de tejido pancreático en busca de marcadores fluorescentes naturales como colágeno, NADH, FAD, lipofuscinas y porfirinas. Estos marcadores ayudan a distinguir entre tejido sano y canceroso. Para interpretar las imágenes, los investigadores aplicaron técnicas de aprendizaje automático (ML) y aprendizaje profundo. Se entrenaron un algoritmo de ML y cuatro redes neuronales convolucionales (CNN) para clasificar los tipos de tejido.

Resultados "alentadores"

Según los investigadores, "los resultados fueron alentadores". El algoritmo de aprendizaje automático (ML) logró una precisión del 80,6 % en la identificación de tejido canceroso, mientras que las CNN obtuvieron un rendimiento aún mejor, con precisiones que oscilaron entre el 90,8 % y el 96,4 %. Estas altas puntuaciones son especialmente notables porque las muestras provenían de múltiples biorepositorios, lo que sugiere la robustez del método en diferentes fuentes.

Al analizar qué características influyeron en las decisiones del modelo de aprendizaje automático, los investigadores observaron que el contenido de colágeno y las características de la imagen, como el contraste y la correlación, eran indicadores clave de cáncer. Este conocimiento podría ayudar a refinar futuros modelos y a comprender mejor la estructura del tejido PNEN.

El estudio también demostró que la obtención de imágenes MPM es más rápida que la histología tradicional, aunque los investigadores creen que mejoras adicionales podrían agilizarla aún más. "El MPM sin etiquetas, combinado con aprendizaje profundo, permite una clasificación rápida y precisa de las PNEN. Gracias a la capacidad de evaluar los márgenes de forma rápida y, potencialmente, automática, se podría reducir tanto la recurrencia de la enfermedad como la necesidad de resecciones tras la cirugía inicial", tal como expusieron en su trabajo.

Esta investigación apunta, según sus autores, a un futuro en el que el diagnóstico del cáncer y la planificación quirúrgica podrían realizarse casi en tiempo real, reduciendo potencialmente la necesidad de cirugías repetidas y mejorando los resultados para los pacientes con cáncer de páncreas.

Próximamente, planean probar la técnica en muestras de tejido fresco durante la cirugía y explorar si puede ayudar a determinar el grado y el tipo de PNEN, información que podría orientar las decisiones de tratamiento con mayor precisión.