Tecnología biomédica · us
Leer las señales moleculares de la piel con luz: la espectroscopia Raman combinada con IA alcanza un 84% de exactitud en la clasificación de tejidos cancerosos
¿Pueden los espectros obtenidos con una sonda de mano ayudar a los médicos a determinar qué lesiones cutáneas requieren una biopsia? Un estudio de tejidos ex vivo ofrece indicios preliminares, pero identificar los tipos de cáncer y validar el rendimiento en la práctica clínica siguen siendo los próximos retos.
A veces, el aspecto de una lesión cutánea sospechosa no permite determinar qué es; obtener tejido y examinarlo al microscopio permite precisar el diagnóstico. Si primero se pudieran leer las señales moleculares del tejido mediante un haz de luz, quizá se obtendría una base para decidir si realizar una biopsia. Un equipo de investigación de la Universidad Atlántica de Florida (FAU), en Estados Unidos, está explorando esta vía: combina espectroscopia Raman y aprendizaje automático para clasificar piel normal y dos tipos de cáncer de piel en tejidos ya extirpados, con una exactitud máxima en las pruebas de aproximadamente el 84%.
La investigación, anunciada por FAU el 30 de septiembre, se publicó en las actas de congreso de «Proceedings of SPIE». El equipo utilizó un sistema Raman portátil equipado con un láser de diodo de 785 nanómetros y una sonda de mano para obtener cerca de mil espectros de más de 50 muestras de tejido ex vivo, que incluían piel normal, carcinoma basocelular (BCC) y carcinoma de células escamosas (SCC). Estos espectros constituyen los datos analizados por los modelos y no significan que el estudio incluyera a cerca de mil pacientes.
La espectroscopia Raman observa las señales de dispersión que se producen tras la interacción de la luz con las moléculas del tejido y extrae de ellas indicios sobre su composición química. News-Medical, citando la investigación de FAU, señala que los tejidos cancerosos presentan señales más intensas relacionadas con las proteínas, mientras que los tejidos normales muestran señales más intensas relacionadas con los lípidos. La tarea de los modelos de aprendizaje automático consiste en identificar, entre estas diferencias sutiles, patrones útiles para la clasificación.
Según los resultados publicados por FAU y Medical Xpress, los modelos de K vecinos más cercanos y de máquinas de vectores de soporte alcanzaron la mayor exactitud global en las pruebas, de aproximadamente el 84%; para el modelo de máquinas de vectores de soporte también se comunicaron una sensibilidad del 78.7% y una especificidad del 88.6%. La red neuronal de poca profundidad obtuvo una exactitud del 80.8% y un área bajo la curva característica operativa del receptor (ROC AUC) de 0.910. Estos indicadores reflejan distintos aspectos del rendimiento de los modelos; el valor del AUC no puede interpretarse directamente como la proporción de diagnósticos correctos.
La dificultad de la clasificación también varía. El estudio encontró que era más fácil distinguir la piel normal del tejido canceroso, pero que las señales moleculares del carcinoma basocelular y del carcinoma de células escamosas se solapaban en mayor medida. Es decir, los espectros pueden ofrecer indicios de tejido anormal, pero los modelos aún afrontan dificultades para determinar de qué tipo de cáncer se trata; la exactitud global tampoco refleja por completo el rendimiento en la identificación de cada tipo de tejido.
La limitación principal es que las mediciones se realizaron en tejidos ya extirpados. El rendimiento de aproximadamente el 84% todavía no puede considerarse una medida de la capacidad diagnóstica de la sonda cuando entra en contacto directo con la piel del paciente, y tampoco se ha demostrado que este método pueda reducir las biopsias innecesarias. Las tres fuentes informativas se basan en la información de investigación proporcionada por FAU y reproducen un mismo resultado preliminar, en lugar de presentar resultados validados de forma independiente por varios equipos de investigación.
El equipo tiene previsto ampliar el estudio y optimizar los modelos, incluida la exploración de redes neuronales más avanzadas. Para llevar el método a la consulta, aún será necesario confirmar si estos indicios moleculares son igual de fiables en la evaluación de lesiones reales y si pueden ayudar de forma segura a decidir qué lesiones requieren pruebas adicionales. Por ahora, la biopsia de tejido y el examen anatomopatológico siguen siendo la base del diagnóstico; lo que plantea este estudio es la posibilidad de incorporar en el futuro una herramienta adicional de apoyo a la evaluación.