Los científicos han diseñado una herramienta de inteligencia artificial que puede decodificar rápidamente el ADN de un tumor cerebral para determinar su identidad molecular durante la cirugía, información crítica que, según el enfoque actual, puede tardar entre unos días y hasta unas pocas semanas.

Conocer el tipo molecular de un tumor permite a los neurocirujanos tomar decisiones como la cantidad de tejido cerebral que se debe extirpar y si se deben colocar medicamentos para eliminar el tumor directamente en el cerebro, mientras el paciente aún está en la mesa de operaciones.

Un informe sobre el trabajo, dirigido por investigadores de la Escuela de Medicina de Harvard, se publica el 7 de julio en la revista Med.

Un diagnóstico molecular preciso, que detalla las alteraciones del ADN en una célula, durante la cirugía puede ayudar a un neurocirujano a decidir cuánto tejido cerebral extirpar. Eliminar demasiado cuando el tumor es menos agresivo puede afectar la función neurológica y cognitiva del paciente. Del mismo modo, eliminar muy poco cuando el tumor es muy agresivo puede dejar tejido maligno que puede crecer y diseminarse rápidamente.

« En este momento, incluso la práctica clínica más avanzada no puede perfilar los tumores molecularmente durante la cirugía. Nuestra herramienta supera este desafío al extraer señales biomédicas hasta ahora sin explotar de portaobjetos de patología congelados », dijo el autor principal del estudio Kun-Hsing Yu, asistente profesor de informática biomédica en el Instituto Blavatnik del HMS.

Conocer la identidad molecular de un tumor durante la cirugía también es valioso porque ciertos tumores se benefician del tratamiento en el lugar con obleas recubiertas de medicamentos que se colocan directamente en el cerebro en el momento de la operación, dijo Yu.

« La capacidad de determinar el diagnóstico molecular intraoperatorio en tiempo real, durante la cirugía, puede impulsar el desarrollo de la oncología de precisión en tiempo real », añadió Yu.

El enfoque de diagnóstico intraoperatorio estándar que se usa ahora implica tomar tejido cerebral, congelarlo y examinarlo bajo un microscopio. Un inconveniente importante es que congelar el tejido tiende a alterar la apariencia de las células bajo el microscopio y puede interferir con la precisión de la evaluación clínica. Además, el ojo humano, incluso cuando utiliza microscopios potentes, no puede detectar de forma fiable variaciones genómicas sutiles en un portaobjetos.

El nuevo enfoque de IA supera estos desafíos.

La herramienta, llamada CHARM (Cryosection Histopathology Assessment and Review Machine), está disponible gratuitamente para otros investigadores. Todavía tiene que ser validado clínicamente a través de pruebas en entornos del mundo real y aprobado por la FDA antes de su implementación en los hospitales, dijo el equipo de investigación.

Descifrando el código molecular del cáncer

Los avances recientes en genómica han permitido a los patólogos diferenciar las firmas moleculares, y los comportamientos que presagian tales firmas, en varios tipos de cáncer cerebral, así como dentro de tipos específicos de cáncer cerebral. Por ejemplo, el glioma, el tumor cerebral más agresivo y la forma más común de cáncer cerebral, tiene tres subvariantes principales que llevan diferentes marcadores moleculares y tienen diferentes propensiones a crecer y diseminarse.

La capacidad de la nueva herramienta para acelerar el diagnóstico molecular podría ser particularmente valiosa en áreas con acceso limitado a la tecnología para realizar la secuenciación genética del cáncer rápidamente.

Más allá de las decisiones que se toman durante la cirugía, el conocimiento del tipo molecular de un tumor brinda pistas sobre su agresividad, comportamiento y probable respuesta a diversos tratamientos. Tal conocimiento puede informar las decisiones postoperatorias.

Además, la nueva herramienta permite diagnósticos durante la cirugía alineados con el sistema de clasificación recientemente actualizado de la Organización Mundial de la Salud para diagnosticar y calificar la gravedad de los gliomas, que exige que dichos diagnósticos se realicen en función del perfil genómico de un tumor.

Encanto de entrenamiento

CHARM se desarrolló utilizando 2334 muestras de tumores cerebrales de 1524 personas con glioma de tres poblaciones de pacientes diferentes. Cuando se probó en un conjunto de muestras de cerebro nunca antes visto, la herramienta distinguió tumores con mutaciones moleculares específicas con una precisión del 93 por ciento y clasificó con éxito tres tipos principales de gliomas con características moleculares distintas que conllevan diferentes pronósticos y responden de manera diferente a los tratamientos.

Yendo un paso más allá, la herramienta capturó con éxito las características visuales del tejido que rodea las células malignas. Fue capaz de detectar áreas reveladoras con mayor densidad celular y más muerte celular dentro de las muestras, las cuales indican tipos de glioma más agresivos.

La herramienta también pudo identificar alteraciones moleculares clínicamente importantes en un subconjunto de gliomas de bajo grado, un subtipo de glioma que es menos agresivo y, por lo tanto, es menos probable que invada el tejido circundante. Cada uno de estos cambios también indica una propensión diferente al crecimiento, la propagación y la respuesta al tratamiento.

La herramienta conectó aún más la apariencia de las células (la forma de sus núcleos, la presencia de edema alrededor de las células) con el perfil molecular del tumor. Esto significa que el algoritmo puede señalar cómo se relaciona la apariencia de una célula con el tipo molecular de un tumor.

Esta capacidad de evaluar el contexto más amplio en torno a la imagen hace que el modelo sea más preciso y más cercano a cómo un patólogo humano evaluaría visualmente una muestra de tumor, dijo Yu.

Los investigadores dicen que si bien el modelo fue entrenado y probado en muestras de glioma, podría volver a entrenarse con éxito para identificar otros subtipos de cáncer cerebral.

Los científicos ya han diseñado modelos de IA para perfilar otros tipos de cáncer (colon, pulmón, mama), pero los gliomas siguen siendo particularmente desafiantes debido a su complejidad molecular y la gran variación en la forma y apariencia de las células tumorales.

La herramienta CHARM tendría que volver a entrenarse periódicamente para reflejar nuevas clasificaciones de enfermedades a medida que surgen de nuevos conocimientos, dijo Yu.

« Al igual que los médicos humanos que deben participar en educación y capacitación continuas, las herramientas de IA deben mantenerse al día con los últimos conocimientos para mantener el máximo rendimiento ».

Autoría, financiación, divulgaciones

Los coinvestigadores incluyeron a MacLean P. Nasrallah, Junhan Zhao, Cheng Che Tsai, David Meredith, Eliana Marostica, Keith L. Ligon y Jeffrey A. Golden.

Este trabajo fue apoyado en parte por la subvención R35GM142879 del Instituto Nacional de Ciencias Médicas Generales, el Premio Google Research Scholar, el Premio Blavatnik Center for Computational Biomedicine, la Subvención Partners Innovation Discovery y el Premio de la familia Schlager para innovaciones de salud digital en etapa temprana.