Un equipo de investigadores de la Universidad de Stony Brook en Nueva York, creó un método que utiliza la patología digital de aprendizaje profundo para mapear patrones de células inmunes cancerosas que puede ayudar a mejorar la precisión de las terapias contra el cáncer.
El método puede proporcionar una base sobre cómo diagnosticar mejor y crear un plan de tratamiento para los cánceres que responden a la terapia anticancerosa de base inmunitaria, como el melanoma, el cáncer de pulmón, vejiga y ciertos tipos de cáncer de colon.
Los patólogos realizan estudios de diagnóstico tisular para casi todos los pacientes con cáncer, la mayoría de los cuales están teñidos con hematoxilina y eosina (H & E). Sin embargo, los enfoques de patología digital pueden crear una “tinción computacional” que permite a los profesionales visualizar y cuantificar características de la imagen que van más allá de la información tradicional relacionada con la densidad.
El Dr. Joel Saltz, catedrático de Informática Biomédica en la Universidad Stony Brook y autor principal del estudio, comentó: “Esta investigación demuestra que ahora podemos utilizar métodos de aprendizaje profundo como la inteligencia artificial para extraer y clasificar patrones de células inmunes en estudios de patología ubicuamente obtenidos, y relacionar los patrones de células inmunes con los muchos otros tipos de datos moleculares y clínicos de pacientes con cáncer.”
Para el estudio, los investigadores aplicaron el aprendizaje automático a imágenes patológicas digitalizadas para caracterizar los patrones de infiltración inmune presentes en 4.759 pacientes y en 13 tipos de cáncer que procesan más de 5.000 imágenes digitales de los tipos de cáncer para crear una “tinción computacional” para cada uno.
Con esto, pudieron identificar linfocitos infiltrantes de tumores (TIL), llamados mapas TIL, los cuales pueden ser utilizados como una nueva guía para el diagnóstico y la planificación del tratamiento.
Los resultados mostraron que los mapas TIL estaban relacionados con la caracterización molecular de tumores y la supervivencia del paciente.
Los autores de la investigación expresaron que los hallazgos del estudio pueden tener implicaciones importantes para el tratamiento del cáncer. Al respecto, el Dr. Saltz indicó: “En un entorno clínico, la identificación rápida y automatizada del grado y la naturaleza del TIL podría ser útil para determinar si deben explorarse opciones de inmunoterapia o si se deben introducir diagnósticos inmunológicos más detallados y costosos.”
Este estudio demuestra el valor que se puede agregar mediante el examen cuidadoso de este rico recurso, y se espera que en el futuro próximo otros investigadores exploren las muchas facetas de estos datos de imágenes.
Referencia: Spatial Organization and Molecular Correlation of Tumor-Infiltrating Lymphocytes Using Deep Learning on Pathology Images. Cell Reports, 2018. https://doi.org/10.1016/j.celrep.2018.03.086
