Un estudio ha demostrado la eficacia de una nueva e innovadora técnica de 'machine learning' para analizar la presencia de células tumorales circulantes raras (CTC) en la sangre. El método arroja una precisión global del 88,6 por ciento en las muestras de sangre de los pacientes, y del 97 por ciento en las células cultivadas. La metástasis, el desarrollo de un tumor en un sitio secundario, es responsable de la mayoría de las muertes relacionadas con el cáncer. Ocurre cuando el sitio del tumor primario desprende células cancerosas que luego circulan por el cuerpo a través de los vasos sanguíneos o los ganglios linfáticos. Estas se convierten en semillas para el eventual crecimiento del tumor en un lugar secundario del cuerpo.

La detección de estas células tan raras, conocidas como células tumorales circulantes o CTC, es importante para el pronóstico temprano de una enfermedad grave, así como para controlar la eficacia del tratamiento.  Actualmente, solo hay un método para la detección de CTC aprobado, 'CellSearch', que se utiliza para diagnosticar el cáncer de mama, colorrectal y próstata.

Los resultados de este nuevo estudio, publicado en la revista 'Nature Scientific Reports', demuestran el potencial de un nuevo método de detección de células tumorales circulantes. A diferencia de los métodos existentes, que se basan en un proceso costoso y lento que implica el etiquetado de los anticuerpos con fluorescencia, esta técnica utiliza un poderoso método de detección sin etiqueta.

La técnica aplica un algoritmo de aprendizaje automático a las imágenes de microscopía de campo brillante de las células detectadas en muestras de sangre de pacientes que contienen glóbulos blancos y CTC.

Esta innovadora técnica para aislar células cancerosas raras circulantes en un tubo de sangre representa "un enfoque más simple, elegante y rentable para monitorear a los pacientes en terapias como la inmunoterapia y la terapia dirigida para el cáncer a nivel de las células circulantes en lugar de exploraciones como las tomografías axiales computarizadas, que buscan 100 millones o más de células organizadas en un tumor de un centímetro", explican los autores.

"Este estudio, aunque pequeño, demuestra que nuestro método puede lograr una gran precisión en la identificación de CTC poco comunes sin necesidad de dispositivos avanzados o usuarios expertos, proporcionando así una forma más rápida y sencilla de contar e identificar CTC. Con más datos disponibles en el futuro, el modelo de aprendizaje de la máquina puede mejorarse aún más y servir como una herramienta precisa y fácil de usar para el análisis de CTC", concluyen.

El método, dice, requiere un mínimo de pre-procesamiento de datos y tiene una fácil configuración experimental.  Para llegar a los resultados, el equipo preprocesó las muestras de sangre entera, capturando el campo brillante y las imágenes fluorescentes de las células.

Entrenaron un modelo de aprendizaje profundo con células individuales recortadas en imágenes de campo brillante y usaron las correspondientes imágenes fluorescentes como etiquetas de verdad en el suelo.

También entrenaron y probaron un modelo con líneas celulares cultivadas como comparación.  El grupo hizo las pruebas y resumió los resultados estadísticos del modelo entrenado.

"Afinamos los detalles del modelo para alcanzar mejores resultados hasta que el resultado alcanzó el estado de la técnica", dice Liu.

Esencialmente llevaron a cabo dos experimentos: uno fue un grupo de comparación operado con los glóbulos blancos y líneas de células cancerígenas cultivadas, y el otro operado con los glóbulos blancos y CTC del paciente.

Esperaban que el primer grupo de experimentos usando el grupo de comparación funcionara bien debido al gran número de conjuntos de datos de entrenamiento para las células cultivadas.  Utilizaron 1745 imágenes de una sola célula y lograron una precisión general del 97,5%.

El equipo no esperaba que el segundo grupo, a partir de las muestras de sangre de los pacientes, tuviera una tasa de precisión tan alta como el primer grupo, porque el conjunto de datos de entrenamiento era limitado y se basaba en 95 imágenes unicelulares como entrada bruta.

"Pero cuando aplicamos la técnica de aprendizaje de transferencia con la red de pre-entrenamiento, nos sorprendió la mejora", dice Liu. "Encontramos que el modelo de aprendizaje de la máquina puede identificar CTC con una precisión razonable de hasta el 88%."

Las muestras de sangre se recogieron en parte utilizando un kit de enriquecimiento comercial y en parte utilizando un dispositivo microfluídico desarrollado por Liu específicamente para atrapar y liberar CTCs.

Él y su equipo continúan innovando en esta área y están desarrollando un dispositivo que combina el aprendizaje de la máquina de imágenes ópticas y la clasificación acústica para procesar automáticamente la muestra.
El Dr. Nair y Liu, junto con dos becarios de oncología de la Red de Salud de Lehigh Valley, el Dr. Zach Wolfe y el Dr. Saro Sarkisian, continuarán colaborando en los próximos pasos. Entre ellos se encuentra el perfeccionamiento de la técnica para observar los cambios de las mutaciones del ADN en las células capturadas. Según Liu, esto proporcionará aún más información a los médicos y les permitirá hacer ajustes en el tratamiento que mejoren los resultados de salud, incluyendo la prolongación de la vida de los pacientes.

"Como Médico en Jefe del Instituto de Cáncer de Lehigh Valley, miembro de la Memorial Sloan Kettering Alliance, y como médico que ha dirigido ensayos clínicos en entornos de la comunidad académica durante treinta años, me he sentido increíblemente orgulloso de nuestra colaboración", dice el Dr. Nair.

Fuente: Lehigh University