SEGURIDAD

IA predice con precisión los resultados del cáncer a partir de muestras de tejido



Investigadores del UT Southwestern Medical Center han desarrollado un novedoso modelo de inteligencia artificial (IA) que analiza la disposición espacial de las células en muestras de tejido. Este enfoque innovador , detallado en Nature Communications , ha predicho con precisión los resultados de los pacientes con cáncer, lo que marca un avance significativo en la utilización de la IA para el pronóstico del cáncer y estrategias de tratamiento personalizadas.

este proceso lleva mucho tiempo y las interpretaciones pueden variar entre los patólogos

“La organización espacial celular es como un complejo rompecabezas en el que cada célula sirve como una pieza única, que encaja meticulosamente para formar un tejido cohesivo o una estructura de órgano. Esta investigación muestra la notable capacidad de la IA para captar estas intrincadas relaciones espaciales entre las células dentro de los tejidos. extraer información sutil que anteriormente estaba más allá de la comprensión humana y al mismo tiempo predecir los resultados de los pacientes”, dijo el líder del estudio Guanghua Xiao, Ph.D., profesor de la Escuela de Salud Pública, Ingeniería Biomédica Peter O’Donnell Jr. y del Departamento de Bioinformática Lyda Hill de la UT. Del suroeste. El Dr. Xiao es miembro del Centro Oncológico Integral Harold C. Simmons de la UTSW.

Se recolectan rutinariamente muestras de tejido de los pacientes y se colocan en portaobjetos para que los patólogos las interpreten y las analicen para realizar diagnósticos. Sin embargo, explicó el Dr. Xiao, este proceso lleva mucho tiempo y las interpretaciones pueden variar entre los patólogos. Además, el cerebro humano puede pasar por alto características sutiles presentes en imágenes patológicas que podrían proporcionar pistas importantes sobre la condición de un paciente.

Varios modelos de IA creados en los últimos años pueden realizar algunos aspectos del trabajo de un patólogo, añadió el Dr. Xiao, por ejemplo, identificar tipos de células o utilizar la proximidad celular como indicador de las interacciones entre células. Sin embargo, estos modelos no recapitulan con éxito aspectos más complejos de cómo los patólogos interpretan las imágenes de tejidos, como discernir patrones en la organización espacial celular y excluir “ruidos” extraños en imágenes que pueden confundir las interpretaciones.

El nuevo modelo de IA, que el Dr. Xiao y sus colegas llamaron Ceograph, imita cómo los patólogos leen los portaobjetos de tejido, comenzando por la detección de células en imágenes y sus posiciones. A partir de ahí, identifica los tipos de células así como su morfología y distribución espacial , creando un mapa en el que se puede analizar la disposición, distribución e interacciones de las células.

Los investigadores aplicaron con éxito esta herramienta a tres escenarios clínicos utilizando portaobjetos de patología. En uno, utilizaron Ceograph para distinguir entre dos subtipos de cáncer de pulmón, adenocarcinoma o carcinoma de células escamosas. En otro, predijeron la probabilidad de que trastornos bucales potencialmente malignos (lesiones precancerosas de la boca) progresen hasta convertirse en cáncer. En el tercero, identificaron qué pacientes con cáncer de pulmón tenían más probabilidades de responder a una clase de medicamentos llamados inhibidores del receptor del factor de crecimiento epidérmico.

En cada escenario, el modelo Ceograph superó significativamente a los métodos tradicionales en la predicción de los resultados de los pacientes. Es importante destacar que las características de la organización espacial celular identificadas por Ceograph son interpretables y conducen a conocimientos biológicos sobre cómo el cambio de la interacción espacial individual entre células podría producir diversas consecuencias funcionales, dijo el Dr. Xiao.

Estos hallazgos resaltan un papel cada vez mayor de la IA en la atención médica , añadió, y ofrecen una forma de mejorar la eficiencia y precisión de los análisis patológicos. “Este método tiene el potencial de optimizar las medidas preventivas específicas para poblaciones de alto riesgo y optimizar la selección de tratamientos para pacientes individuales”, dijo el Dr. Xiao, miembro del Centro de Investigación Biomédica Cuantitativa de UT Southwestern.

Comentarios

comentarios

Related Articles

Leave a Reply

Your email address will not be published. Required fields are marked *

Back to top button

GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG GONGSENG