Cuando un paciente se somete a una operación quirúrgica para extirpar un tumor o tratar una enfermedad, el curso de la cirugía a menudo no está predeterminado.
por Brigham and Women’s Hospital
Para decidir cuánto tejido se debe extirpar, los cirujanos deben saber más sobre la afección que están tratando, incluidos los márgenes de un tumor, su etapa y si una lesión es maligna o benigna, determinaciones que a menudo dependen de la recolección, el análisis y el diagnóstico de una enfermedad. mientras el paciente está en la mesa de operaciones.
Cuando los cirujanos envían muestras a un patólogo para que las examine, tanto la velocidad como la precisión son esenciales. El enfoque estándar de oro actual para examinar tejidos a menudo toma demasiado tiempo y un enfoque más rápido, que implica congelar tejido, puede introducir artefactos que pueden complicar el diagnóstico.
VER: La cirugía agresiva aumenta la supervivencia con tumores cerebrales de bajo grado: estudio
Un nuevo estudio realizado por investigadores del Laboratorio Mahmood en el Brigham and Women’s Hospital, miembro fundador del sistema de atención médica Mass General Brigham, y colaboradores de la Universidad Bogazici desarrollaron una mejor manera; el método aprovecha la inteligencia artificial para traducir entre secciones congeladas y el enfoque estándar, mejorando la calidad de las imágenes para aumentar la precisión de los diagnósticos rápidos. Los hallazgos se publican en Nature Biomedical Engineering.
«Estamos utilizando el poder de la inteligencia artificial para abordar un antiguo problema en la intersección de la cirugía y la patología», dijo el autor correspondiente Faisal Mahmood, Ph.D., de la División de Patología Computacional de BWH. «Hacer un diagnóstico rápido a partir de muestras de tejido congelado es un desafío y requiere una formación especializada, pero este tipo de diagnóstico es un paso crítico en el cuidado de los pacientes durante la cirugía».
Para hacer el diagnóstico final, los patólogos usan muestras de tejido fijadas en formalina e incluidas en parafina (FFPE) ; este método conserva el tejido de una manera que produce imágenes de alta calidad, pero el proceso es laborioso y generalmente toma de 12 a 48 horas. Para un diagnóstico rápido, los patólogos utilizan un enfoque conocido como criosección que consiste en congelar rápidamente el tejido, cortar secciones y observar estas finas rebanadas bajo un microscopio. La criosección lleva minutos en lugar de horas, pero puede distorsionar los detalles celulares y comprometer o desgarrar el tejido delicado.
Mahmood y los coautores desarrollaron un modelo de aprendizaje profundo que se puede usar para traducir entre secciones congeladas y tejido FFPE de uso más común . En su artículo, el equipo demostró que el método podría usarse para subtipificar diferentes tipos de cáncer, incluido el glioma y el cáncer de pulmón de células no pequeñas.
VER: La cirugía restaura la función del brazo en algunos pacientes paralizados: estudio
El equipo validó sus hallazgos al reclutar patólogos para un estudio de lectores en el que se les pidió que hicieran un diagnóstico a partir de imágenes que habían pasado por el método de IA e imágenes de criosección tradicionales. El método de IA no solo mejoró la calidad de la imagen, sino que también mejoró la precisión del diagnóstico entre los expertos. El algoritmo también se probó en datos recopilados de forma independiente de Turquía.
Los autores señalan que, en el futuro, se deben realizar estudios clínicos prospectivos para validar el método de IA y determinar si puede contribuir a la precisión diagnóstica y la toma de decisiones quirúrgicas en entornos hospitalarios reales.
VER: ‘Cirugía en una píldora’ un tratamiento potencial para la diabetes
«Nuestro trabajo muestra que la IA tiene el potencial de hacer que un diagnóstico crítico y sensible al tiempo sea más fácil y más accesible para los patólogos», dijo Mahmood. «Y potencialmente podría aplicarse a cualquier tipo de cirugía de cáncer. Abre muchas posibilidades para mejorar el diagnóstico y la atención al paciente «.
Más información: Un modelo de aprendizaje profundo para transformar el estilo de las imágenes de tejidos de crioseccionados a fijados en formalina e incluidos en parafina,
Nature Biomedical Engineering (2022). – DOI: 10.1038/s41551-022-00952-9
