Ven pólipos precancerosos en el colon gracias a la radiómica
A, colonoscopia óptica y, BD, colonografía por TC de un pólipo de 9 mm (flecha) en el colon descendente de una mujer de 78 años. B, Se utilizaron reconstrucciones tridimensionales de vuelo virtual para la localización exacta del pólipo. C, Se realizó segmentación manual de pólipos en imágenes de colonografía por TC bidimensionales multiplanares. Las imágenes de colonografía D, se preprocesaron para la extracción de características de la imagen mediante la aplicación de un filtro. Imagen: Radiological Society of North America

La colonografía por tomografía computarizada también denominada colonoscopia virtual con ayuda de un algoritmo desarrollado por un equipo de radiólogos alemanes, permite diferenciar claramente entre pólipos benignos y premalignos en el colon. Esto es crucial para la estratificación del riesgo individual y la orientación terapéutica.

Este estudio, publicado en Radiology, recuerda que durante las últimas dos décadas la colonografía por tomografía computarizada surgió como una alternativa no invasiva a la colonoscopia, en la detección del cáncer colorrectal.

Es comparable a la colonoscopia para detectar la mayoría de los pólipos y eficaz para visualizar porciones del colon que, en casos de condiciones anatómicas complejas, no siempre pueden evaluarse mediante colonoscopia.

Sin embargo, no puede hacer una diferenciación definitiva entre pólipos benignos y premalignos, crucial para la estratificación del riesgo individual y la orientación terapéutica en casos de cáncer de colon.

Ahora, este equipo dirigido por el doctor Sergio Grosu, del hospital Ludwig Maximilian de la Universidad de Munich, aprovechó el poder de la radiómica para caracterizar pólipos en el colon más allá de lo que era aparente a simple vista. Se trata de un proceso de extracción de características cuantitativas de imágenes biomédicas.

El cáncer colorrectal se encuentra entre las tres causas más comunes de muerte relacionada con el cáncer en países industrializados. La mayoría de los tipos de cáncer colorrectal se originan a partir de pólipos adenomatosos (crecimientos similares a glándulas en la membrana mucosa que recubre el intestino grueso), que se desarrollan durante varios años. La detección temprana y la extirpación de estos pólipos precancerosos pueden reducir la incidencia y la mortalidad.

Para el nuevo estudio, los investigadores aprovecharon el poder de la radiómica, un proceso de extracción de características cuantitativas de imágenes médicas, para caracterizar pólipos más allá de lo que era aparente a simple vista.

Diferenciación no invasiva de pólipos en el colon

Los investigadores desarrollaron un algoritmo de aprendizaje automático para predecir el carácter de los pólipos individuales basándose en características de imágenes cuantitativas extraídas a través de radiomica.

Aplicaron el método de aprendizaje automático no invasivo basado en la radiómica en imágenes de colonografía por tomografía computarizada de un grupo de pacientes asintomáticos, con riesgo promedio de cáncer colorrectal.

El algoritmo de aprendizaje automático se entrenó en un conjunto de más de un centenar de pólipos colorrectales en 63 pacientes y luego se probó en un conjunto de 77 pólipos en 59 pacientes.

En el conjunto de pruebas, el enfoque de aprendizaje automático permitió la diferenciación no invasiva de pólipos colorrectales benignos y premalignos detectados por colonografía por tomografía computarizada, con una sensibilidad del 82% y una especificidad del 85%.

El área bajo la curva (AUC), una medida gráfica que refleja la capacidad del modelo de distinguir entre pólipos benignos y precancerosos, fue excelente.

“Estos resultados sirven como prueba de concepto de que el análisis de imágenes basado en el aprendizaje automático permite la diferenciación no invasiva de pólipos colorrectales en conjuntos de datos de colonografía por tomografía computarizada”, reconoce el doctor Grosu.

El científico subraya también que “añadir análisis de imágenes asistido por aprendizaje automático a la lectura de imágenes radiológicas convencionales podría mejorar aún más la importancia clínica de la detección del cáncer colorrectal basada en la colonografía por tomografía computarizada, al permitir una selección más precisa de pacientes elegibles para la polipectomía posterior”.

El doctor Grosu puntualiza que son necesarios estudios adicionales con un mayor número de pacientes para validar sus hallazgos. Y estos estudios también deberían ayudar a impulsar mejoras en el algoritmo de aprendizaje automático.

La radiómica y el proyecto REACT

La imagen por resonancia magnética (IRM) es una de las técnicas más prometedoras para la detección del cáncer pero científicos y clínicos saben muy bien que la variación en la fuerza del campo magnético genera variables IRM, lo cual supone un desafío para el análisis de la radiómica.

En el estudio REACT, financiado con fondos europeos, los investigadores abordan este asunto mediante una solución innovadora que extrae información cuantitativa de imágenes médicas IRM de un modo normalizado.

Esto se logra mediante un conjunto de características de fenotipos de tumores estables, como la forma y la textura (junto con características que no se observan tan fácilmente), que se correlacionan con la patología de tejidos independientemente del fabricante o la fuerza del campo magnético.

“Nuestro objetivo era proporcionar a los médicos más información y facilitar las decisiones de tratamiento”, destaca el doctor Samir Barakat, responsable científico de PT Theragnostic BV, empresa dedicada al desarrollo de tratamientos personalizados para pacientes con cáncer.

Los investigadores de REACT aprovecharon el potencial de la inteligencia artificial avanzada, como el aprendizaje automático profundo, para permitir la adopción de decisiones clínicas firmes y precisas basadas en imágenes clínicas estándar.

Según el documento de la Unión Europea Optimización de la radiómica para el tratamiento del cáncer personalizado basado en resonancia magnética, la radiómica se puede utilizar como criterio indirecto de valoración de la tasa de supervivencia libre de progresión y puede ofrecer información importante sobre la eficacia de fármacos específicos.

Cabe destacar que con la metodología normalizada desarrollada durante el proyecto REACT se puede llevar a cabo un análisis entre diferentes centros y fabricantes, lo cual reduce la variabilidad. Además, los datos obtenidos permiten la estratificación de pacientes y facilitan la detección temprana de complicaciones.

Hacia tratamientos personalizados en cáncer de colon

La heterogeneidad temporal y espacial de los tumores, junto con la plétora de tratamientos disponibles, supone un gran desafío a la hora de decidir el tratamiento. La identificación de diferencias biológicas entre tumores mediante biomarcadores constituye un enfoque prometedor hacia tratamientos personalizados.

Lo ideal es que esta identificación no sea invasiva y refleje la complejidad de los elementos sólidos. La radiómica es una potente herramienta que puede aprovechar imágenes adquiridas de forma rutinaria para proporcionar una visión integral de las características de los tumores y orientar el diseño de tratamientos personalizados.

Mediante la evolución de cientos de características derivadas de imágenes, permite una identificación más precisa y firme de los tipos de tumores que los métodos actuales.

Al mismo tiempo, la radiómica sirve para supervisar el desarrollo y avance de la enfermedad o su respuesta al tratamiento. En comparación con las costosas tecnologías genómicas y proteómicas, los datos cuantificables de la radiómica pueden utilizarse para la asistencia clínica rutinaria.

Mediante una plataforma para la extracción y análisis de imágenes cuantitativas de alto rendimiento, REACT se propone ampliar los conocimientos y mejorar el diagnóstico, pronóstico y precisión predictiva del sistema de apoyo a las decisiones clínicas actuales.

De cara al futuro, el doctor Bakarat cree que “la radiómica tiene el potencial de llevar a cabo las IRM más allá del estado de la técnica en oncología”.

Dejar respuesta

Please enter your comment!
Please enter your name here