Detectan un glioma difuso en solo 10 segundos mediante un programa basado en IA
Kondepudi A, Pekmezci M, Hou X, et al.
Nature. 2024 Nov 13. doi: 10.1038/s41586-024-08169-3.
Fecha de publicación de la noticia 26/11/2024 | Fuente Redacción / Nature
Fecha de publicación de la noticia 26/11/2024 | Fuente Redacción / Nature
Un reto crítico en el tratamiento del glioma es detectar la infiltración tumoral durante la cirugía para lograr una resección máxima segura, eliminando incluso los denominados tumores residuales. Desafortunadamente, en la mayoría de los pacientes con glioma aparece un tumor residual tras la cirugía, lo que provoca una recidiva temprana y una disminución de la supervivencia. Ante esta situación, un grupo de investigadores de la Universidad de Michigan y de la Universidad de California en San Francisco (EE.UU.), han desarrollado el denominado FastGlioma, un modelo de base visual para la detección rápida (menos de 10 segundos) y precisa de la infiltración de glioma en tejido quirúrgico fresco y sin procesar. Sus conclusiones se han publicado en Nature.
Este programa, basado en IA, fue preentrenado mediante autosupervisión a gran escala (alrededor de 4 millones de imágenes) en microscopía óptica rápida y sin etiquetas, y ajustado para obtener una puntuación normalizada que indica el grado de infiltración tumoral en imágenes ópticas de diapositivas completas. En una cohorte prospectiva, multicéntrica e internacional de pacientes con glioma difuso, FastGlioma fue capaz de detectar y cuantificar el grado de infiltración tumoral con un área media bajo la curva del 92%, superando con creces la efectividad de los complementos guiados por imagen y por fluorescencia en la detección de infiltración tumoral durante la cirugía en un estudio prospectivo comparativo. El rendimiento de FastGlioma se mantuvo elevado en diversos grupos demográficos de pacientes, centros médicos y subtipos moleculares de glioma difuso, según la definición de la Organización Mundial de la Salud.
Los autores aseguran que FastGlioma muestra una especificidad cero respecto a otros diagnósticos de tumores cerebrales adultos y pediátricos, lo que demuestra el potencial de este modelo de base para ser utilizado como un complemento de uso general para guiar las cirugías de tumores cerebrales. Asimismo, afirman que estos hallazgos representan el potencial transformador de la IA en los modelos médicos para el cuidado de los pacientes con cáncer.
Este programa, basado en IA, fue preentrenado mediante autosupervisión a gran escala (alrededor de 4 millones de imágenes) en microscopía óptica rápida y sin etiquetas, y ajustado para obtener una puntuación normalizada que indica el grado de infiltración tumoral en imágenes ópticas de diapositivas completas. En una cohorte prospectiva, multicéntrica e internacional de pacientes con glioma difuso, FastGlioma fue capaz de detectar y cuantificar el grado de infiltración tumoral con un área media bajo la curva del 92%, superando con creces la efectividad de los complementos guiados por imagen y por fluorescencia en la detección de infiltración tumoral durante la cirugía en un estudio prospectivo comparativo. El rendimiento de FastGlioma se mantuvo elevado en diversos grupos demográficos de pacientes, centros médicos y subtipos moleculares de glioma difuso, según la definición de la Organización Mundial de la Salud.
Los autores aseguran que FastGlioma muestra una especificidad cero respecto a otros diagnósticos de tumores cerebrales adultos y pediátricos, lo que demuestra el potencial de este modelo de base para ser utilizado como un complemento de uso general para guiar las cirugías de tumores cerebrales. Asimismo, afirman que estos hallazgos representan el potencial transformador de la IA en los modelos médicos para el cuidado de los pacientes con cáncer.
Palabras clave
FastGlioma; glioma difuso; IA; Recidiva
Categorias
Cáncer y tumores
