Investigadores del grupo de Ingeniería fotónica de la Universidad de Cantabria/IDIVAL/CIBER-BBN y del Dartmouth College han desarrollado un método basado en inteligencia artificial y aprendizaje profundo para delinear tumores en situaciones intra-operativas. Este trabajo podría ayudar a los cirujanos a tomar decisiones durante intervenciones de extracción tumoral en quirófano.
El trabajo ha sido desarrollado en el marco de la tesis doctoral de Arturo Pardo Franco dentro de la colaboración existente desde 2008 entre la Universidad de Cantabria (Olga María Conde, Grupo de Ingeniería Fotónica) y el Dartmouth College-USA (Brian W. Pogue, Optics in Medicine Laboratory).
¿Es posible encontrar relaciones deterministas entre las medidas ópticas y la fisiopatología del tejido haciéndolo de manera no supervisada y basándose únicamente en análisis de datos?
La cuantificación de propiedades ópticas es una técnica de imagen biomédica en rápida expansión. La característica no invasiva y no ionizante de las técnicas de imagen ópticas permiten obtener información de la composición y estructura del tejido sin generar daños en el mismo. En la actualidad, estas técnicas se utilizan para caracterizar tejidos biológicos y resultan de alto interés para diferentes aplicaciones clínicas entre las que destaca la evaluación intraoperatoria de los márgenes tumorales en cirugías como las de conservación de mama, melanoma, glioma, etc. Sin embargo, traducir las propiedades ópticas de los tejidos a la información de patología clínica sigue suponiendo un gran reto debido, entre otras cosas, a la variabilidad inter e intrapaciente, la calibración de los sistemas y, en última instancia, el comportamiento no lineal de la luz en “medios turbios” como lo son los tejidos biológicos. Estos desafíos limitan la capacidad de los métodos estadísticos tradicionales para generar un modelo simple de patología, lo que requiere que se desarrollen algoritmos más avanzados.
En el trabajo se ha desarrollado un modelo no lineal (basado en ciencia de datos) de la patología del cáncer de mama. Con este modelo se evalúan, calculan y asocian los márgenes tumorales para ofrecer a los cirujanos que están interviniendo proyecciones de presencia de tumor en tiempo real y así evitar dejar células tumorales residuales en la cavidad intraoperativa. Las propiedades ópticas del tejido (absorción y esparcimiento) se obtienen a partir de imágenes del tejido sobre el que se proyectan patrones de luz espaciales con frecuencia variable. Se han empleado modelos de redes neuronales profundas para obtener las “características latentes” que relacionan las “firmas” de los datos ópticos con la patología del tejido subyacente. Estos nuevos modelos auto-explicativos pueden extraer y obtener las propiedades de absorción y esparcimiento de cada tipo de tejido a partir de su patología, y al mismo tiempo son capaces de sintetizar y generar nuevos datos. El trabajo publicado ha sido validado con un conjunto de 70 muestras de tejido mamario logrando un rápido modelado de las propiedades ópticas, lo que permite la síntesis de muestras masivas.
Este trabajo ha sido publicado en la revista “IEEE Transactions on Medical Imaging” editada por el IEEE (Institute of Electrical and Electronics Engineers).
El enfoque de la revista es unificar las ciencias de la medicina, la biología y la imagen. Publica trabajo multidisciplinares donde se aúnen la instrumentación, el hardware, el software, las matemáticas, la física, la biología y la medicina. Su interés se centra en la investigación sobre imágenes de la estructura corporal, imágenes morfológicas y funcionales, imágenes celulares y moleculares y todas las formas de microscopía. La revista publica contribuciones originales sobre imágenes médicas logradas por modalidades que incluyen ultrasonido, rayos X, resonancia magnética, radionúclidos, microondas y métodos ópticos. Les interesan las técnicas de adquisición de medidas novedosas, técnicas de procesamiento y análisis de imágenes médicas, de visualización y reconocimiento de patrones, de aprendizaje automático y otros métodos relacionados.
Esta revista es una referencia de excelencia (factor de impacto de 6,685) en el ámbito de las técnicas de imagen médica ocupando en percentil D1 (decil 1) de varias categorías del ranking JCR-WoS (Journal Citation Reports – Web of Science):
Tan sólo hay 2 artículos publicados por investigadores de la Universidad de Cantabria en esta revista, siendo ambos trabajos procedentes del mismo grupo de investigación (GIF, Grupo de Ingeniería Fotónica). Sería también el tercer artículo del HUMV/IDIVAL después de los 2 del GIF y otro adicional del Dr. de la Torre con el equipo del MIT/MGH.
Ref. Arturo Pardo, Samuel S. Streeter, Benjamin W. Maloney, José A. Gutiérrez, David M. McClatchy, Wendy A. Wells, Keith D. Paulsen, José M. López-Higuera, Brian W. Pogue, Olga M Conde, "Modeling and synthesis of breast cancer optical property signatures with generative models," in IEEE Transactions on Medical Imaging, in press, 2021 doi: 10.1109/TMI.2021.3064464.
Referencias y recursos adicionales:
“Luz, inteligencia artificial y cáncer”, Arturo Pardo Franco, #PhDenlaUC
Con tu ayuda queremos poner en marcha un programa de atracción de investigadores que vengan a Valdecilla a contribuir a los avances que desarrollamos en nuestro entorno.
Esta web utiliza cookies para que podamos ofrecerte la mejor experiencia de usuario posible. La información de las cookies se almacena en tu navegador y realiza funciones tales como reconocerte cuando vuelves a nuestra web o ayudar a nuestro equipo a comprender qué secciones de la web encuentras más interesantes y útiles.
Las cookies estrictamente necesarias tiene que activarse siempre para que podamos guardar tus preferencias de ajustes de cookies.
Si desactivas esta cookie no podremos guardar tus preferencias. Esto significa que cada vez que visites esta web tendrás que activar o desactivar las cookies de nuevo.
