Tecnología médica · us
Leer con luz la huella molecular de la piel: la espectroscopia Raman combinada con IA identifica de forma preliminar el cáncer de piel
En más de 50 muestras de tejido ex vivo, el modelo de investigación alcanzó una exactitud de aproximadamente el 84% en las pruebas para distinguir dos tipos de cáncer de piel y piel normal. Esto aporta indicios para una evaluación complementaria antes de la biopsia, pero aún debe validarse en pacientes si puede reducir la toma innecesaria de muestras.
¿Una lesión cutánea de aspecto sospechoso requiere siempre la toma de una muestra? Los cambios benignos y el cáncer pueden tener un aspecto similar, por lo que los médicos siguen necesitando biopsias y exámenes microscópicos para confirmar el diagnóstico. Un equipo de investigación de Florida Atlantic University intenta obtener indicios adicionales mediante la luz: leer las señales químicas del tejido y utilizar el aprendizaje automático para interpretarlas, con el fin de explorar si en el futuro podría ayudar a determinar qué lesiones requieren más pruebas.
La investigación, anunciada por la universidad el 30 de septiembre, se recoge en «Advanced Chemical Microscopy for Life Science and Translational Medicine 2026», de «Proceedings of SPIE». El equipo utilizó un sistema Raman móvil equipado con un láser de diodo de 785 nanómetros y una sonda de mano para analizar más de 50 muestras de tejido clínico, que incluían carcinoma basocelular, carcinoma escamocelular y piel normal, y obtuvo cerca de mil espectros. Estas mediciones se realizaron después de extraer los tejidos; aún no se ha demostrado su capacidad diagnóstica directamente sobre la piel de los pacientes.
La espectroscopia Raman observa los cambios en la dispersión de la luz tras su interacción con las moléculas para describir la «huella molecular» del tejido. En este conjunto de muestras, los tejidos cancerosos solían presentar señales más intensas relacionadas con las proteínas, mientras que los tejidos normales mostraban señales más intensas relacionadas con los lípidos. La tarea del algoritmo consiste en encontrar patrones útiles para la clasificación a partir de estas diferencias sutiles, en lugar de interpretar fotografías de las lesiones.
El estudio comparó varios modelos. Los de K vecinos más cercanos y máquinas de vectores de soporte alcanzaron la mayor exactitud global en las pruebas, de aproximadamente el 84%. Según los datos publicados por la universidad, la máquina de vectores de soporte obtuvo una sensibilidad del 78.7% y una especificidad del 88.6%; la red neuronal poco profunda alcanzó una exactitud del 80.8% y un área bajo la curva ROC de 0.910. Estos indicadores reflejan distintos aspectos del rendimiento de clasificación y no pueden interpretarse directamente como una medida de la fiabilidad para descartar cáncer en la consulta.
La dificultad de identificación también varía. Las informaciones de ICT&health y LabMedica sobre el mismo estudio señalan que resulta más fácil distinguir la piel normal de los tejidos cancerosos, mientras que las señales moleculares de los dos tipos de cáncer presentan un mayor solapamiento. Los resultados muestran que los espectros contienen información que permite distinguir los tejidos, y también recuerdan a los investigadores que detectar anomalías y determinar con precisión el tipo de cáncer son dos desafíos diferentes.
Cerca de mil espectros no equivalen a cerca de mil participantes: el estudio contó con solo algo más de 50 muestras de tejido, y todas las mediciones se realizaron fuera del cuerpo. Por tanto, los resultados actuales todavía no permiten determinar cuántos cánceres dejaría sin detectar este método en una población real de pacientes, ni cuántas biopsias de lesiones benignas podría evitar. Las tres categorías de tejido incluidas en el estudio tampoco representan todas las lesiones cutáneas que pueden encontrarse en la práctica clínica.
El investigador sénior Andrew Terentis considera que los resultados son hallazgos preliminares, y el equipo espera ampliar el estudio y optimizar los modelos como siguiente paso. Para que el método pueda convertirse en una herramienta complementaria antes de la biopsia, todavía es necesario comparar las mediciones realizadas en pacientes con los resultados anatomopatológicos, a fin de confirmar su fiabilidad y su beneficio real. Hasta entonces, el examen anatomopatológico tras la biopsia sigue siendo el estándar diagnóstico; reducir las biopsias innecesarias es un objetivo que esta tecnología aspira a alcanzar, pero que aún no se ha demostrado.