IA e imagenología ayudan en el diagnóstico intraoperatorio de tumores cerebrales

Desarrollado en la Universidad de California, San Francisco (UCSF; EUA), la Universidad de Michigan (UM; Ann Arbor, EUA), la Universidad de Columbia (Nueva York, NY, EUA) y otras instituciones, el novedoso flujo de trabajo paralelo combina la histología Raman estimulada (SRH, un método de imagen óptica sin etiquetas) y las redes neuronales convolucionales profundas (CNN) para predecir el diagnóstico en tiempo casi real de manera automatizada. Las CNN, que fueron entrenadas con más de 2,5 millones de imágenes de SRH, construyeron una jerarquía de representaciones de características histológicas reconocibles para ayudar a clasificar las principales clases histopatológicas de tumores cerebrales.

El nuevo flujo de trabajo puede diagnosticar los tumores cerebrales en menos de 150 segundos, un orden de magnitud más rápido que las técnicas de histología convencionales, que demoran entre 20 y 30 minutos. Los autores también probaron prospectivamente el flujo de trabajo en un ensayo clínico de 278 pacientes con tumores cerebrales, que demostró que la exactitud del diagnóstico basado en CNN de las imágenes de SRH (94,6%) fue ligeramente mayor que la interpretación por el patólogo de las imágenes histológicas convencionales (93,9% ) El estudio fue publicado el 6 de enero de 2020 en la revista Nature Medicine.

“Como cirujanos, estamos limitados a actuar sobre lo que podemos ver; esta tecnología nos permite ver lo que de otra manera sería invisible, para mejorar la velocidad y la exactitud en la sala de operaciones, y reducir el riesgo de diagnósticos erróneos”, concluyeron el autor principal, Todd Hollon, MD, de la UM, y sus colegas. “Se puede simplificar el diagnóstico de cáncer intraoperatorio creando una vía complementaria para el diagnóstico de tejidos que es independiente del laboratorio de patología tradicional. Con esta tecnología de imagenología, las operaciones de cáncer son más seguras y efectivas que nunca”.

Enlace relacionado:
Universidad de California, San Francisco
Universidad de Michigan
Universidad de Columbia