«Como patólogos, nuestro trabajo es comprender la historia que nos cuenta un tumor, pero estamos en el límite de lo que nuestro cerebro y nuestros ojos pueden hacer». Los patólogos y los informáticos de la USC están trabajando juntos para comprender mejor el cáncer resistente al tratamiento. Foto/iStock.
Uno de los mayores desafíos que enfrentan los investigadores del cáncer hoy en día es predecir cuándo un cáncer se volverá resistente a la quimioterapia. La información oculta dentro de la densa red de genes, proteínas, vías y moléculas de un tumor canceroso es rica. Pero a menudo los tumores siguen siendo densos.
«Como patólogos, nuestro trabajo es comprender la historia que nos cuenta el tumor, pero estamos en el límite de lo que nuestro cerebro y nuestros ojos pueden hacer», afirmó. City of Hope y exdirector asociado de patología quirúrgica de la Facultad de Medicina Keck de la USC. «La información está oculta allí, pero necesitas la herramienta adecuada para desbloquearla».
El profesor de la USC Yan Liu y el Dr. de City of Hope. José Carlson.
Investigadores de la USC como Yan Liu, profesor de informática, ingeniería eléctrica e informática y ciencias biomédicas, pueden tener la clave.
En un estudio de 2024, Liu, Carlson y su equipo presentaron un algoritmo innovador diseñado para predecir cómo respondería un tumor de cáncer de ovario a los tratamientos estándar.
El cáncer de ovario, una de las neoplasias malignas más graves que afectan al sistema reproductivo femenino, se diagnostica en aproximadamente 21.000 personas cada año y provoca aproximadamente 14.000 muertes cada año, según la Sociedad Estadounidense del Cáncer. También es uno de los más difíciles de diagnosticar y tratar, dice Carlson, especialista en patología ginecológica.
«En parte, eso se debe a que es difícil detectar las diferencias entre el cáncer de ovario y otros cánceres», afirmó Carlson. «También es relativamente raro, por lo que tenemos menos experiencia con la que trabajar».
«Las diferencias entre el cáncer de ovario y otros cánceres son difíciles de detectar». Dr. jose carson
En colaboración con Carlson, Liu y su equipo desarrollaron un sistema de aprendizaje profundo capaz de predecir con precisión la eficacia del tratamiento tanto a nivel individual como a escala. Después de entrenar su modelo utilizando un conjunto de datos de 288 pacientes, los investigadores lo probaron en el contexto del cáncer de ovario, donde alrededor del 20% de los tumores persisten después del tratamiento.
«Eso significa que el 20% de los pacientes estarán muy enfermos y no se beneficiarán en absoluto», afirmó Carlson. «Su tumor seguirá creciendo y no podemos ver por qué bajo un microscopio. «Si se sabe de antemano qué pacientes se resistirán al tratamiento, se puede adaptar el tratamiento».
El modelo ha identificado con éxito tumores que responden a la terapia y aquellos que pueden ser resistentes al tratamiento estándar, que normalmente incluye agentes de quimioterapia potentes como el platino y el CarboTaxol. La capacidad del modelo para integrar información de múltiples fuentes (reflejando los procedimientos de diagnóstico del mundo real) es clave para su éxito, dijo Liu.
«Utilizamos datos de una variedad de fuentes: muestras de sangre, datos de imágenes y escaneos digitales de alta resolución de todas las diapositivas de patología», dijo Liu.
«Cada paciente es diferente y crear un sistema de recomendación de tratamiento personalizado es fundamental», afirmó. «Al hacer coincidir las características importantes de cada paciente, podemos brindar claridad en términos de variables clínicas y cómo desempeñan un papel en las diferentes etapas del cáncer».
Además de predecir las respuestas al tratamiento, el sistema de Liu arroja luz sobre el proceso de toma de decisiones, creando «mapas de atención» que muestran en qué se centra la IA al hacer predicciones. Por ejemplo, ¿hay algo único en estas células específicas en comparación con todas las demás áreas?
«Esa es una de las cosas que más me gusta de ser patólogo», dijo Carlson. «Es una oportunidad para detectar fallas y errores en el sistema, pero también una oportunidad para que los médicos vean si podemos usar lo que la IA nos muestra para aprender del sistema de IA y comprender mejor por qué ciertos tumores son resistentes o susceptibles».
El equipo también transfirió con éxito el modelo a un conjunto de datos de cáncer de riñón, lo que apunta al alcance potencial de la tecnología.
«Como patólogo, digo: ‘Guau'», dijo Carlson. “Tengo muchas esperanzas de que la forma en que tomamos decisiones sobre muchas cosas en la atención médica comience a cambiar, evolucionar e integrar este tipo de métodos. Creo que este es el futuro».
Publicado el 11 de diciembre de 2024
Última actualización el 11 de diciembre de 2024
