El cáncer de tiroides es el cáncer endocrino más común y afecta a más personas cada año, a medida que aumentan las tasas de detección.

Durante la extirpación del tumor, los cirujanos suelen tener dificultades para determinar con exactitud la cantidad de tejido que deben extirpar, ya que distinguir el tejido canceroso del sano en tiempo real es complicado y las estructuras circundantes son extremadamente delicadas.

Hoy en día, el diagnóstico y la evaluación de los márgenes se basan en la aspiración con aguja fina (FNA) y la patología tradicional.

Aunque son precisos, estos métodos son lentos, a veces inconclusos y no ofrecen orientación en tiempo real en el quirófano.

Como resultado, los pacientes pueden someterse a cirugías innecesarias para nódulos benignos o requerir procedimientos adicionales si se pasa por alto tejido canceroso.

La imagen dinámica por contraste óptico (DOCI) ofrece una forma fundamentalmente diferente de examinar el tejido.

En lugar de utilizar tintes o agentes de contraste, la DOCI ilumina el tejido y mide su autofluorescencia natural, la tenue luz emitida por las moléculas ya presentes en las células.

El tejido sano y el canceroso brillan de forma diferente, creando firmas ópticas que pueden captarse y analizarse.

Cada exploración DOCI recopila información de 23 canales ópticos diferentes en un amplio campo de visión, lo que produce un rico mapa detallado de la biología del tejido en muestras recién extirpadas.

En un estudio multiinstitucional publicado en Biophotonics Discovery, los investigadores combinaron DOCI con el aprendizaje automático para traducir estas complejas señales ópticas en conocimientos clínicamente significativos.

En la Universidad de Duke, Tyler Vasse, que trabaja en el laboratorio de Tuan Vo-Dinh, desarrolló un marco de análisis de IA en dos etapas.

La implementación clínica y la aplicación de la tecnología DOCI fueron llevadas a cabo por Yazeed Alhiyari y los miembros del equipo de Maie St. John en la Universidad de California, Los Ángeles.

En la primera etapa, los investigadores emplearon un modelo de aprendizaje automático sencillo e interpretable para asignar cada muestra a una de tres categorías: tejido tiroideo sano, cáncer folicular de tiroides o cáncer papilar de tiroides, siendo estos dos últimos los tumores malignos diferenciados más comunes de la tiroides.

Al destilar los 23 canales ópticos DOCI en un pequeño conjunto de características clave, el sistema clasificó con precisión las muestras en estas categorías, logrando una precisión perfecta en un conjunto de pruebas independientes.

Cabe destacar que el modelo también identificó correctamente como cancerosas las muestras del subtipo anaplásico altamente agresivo, lo que demuestra una amplia sensibilidad a los tejidos malignos.

La segunda etapa abordó una cuestión quirúrgica fundamental: ¿dónde se encuentra exactamente el tumor?

Para responder a esta pregunta, el equipo empleó modelos de aprendizaje profundo basados en una arquitectura U-Net, diseñada para identificar y mapear regiones específicas dentro de imágenes médicas.

Utilizando este enfoque, los modelos generaron mapas de probabilidad tumoral que resaltaban con precisión las regiones cancerosas, con un rendimiento especialmente bueno en el caso del cáncer papilar de tiroides y tasas de falsos positivos muy bajas en el tejido libre de cáncer.

Aunque este trabajo analizó el tejido inmediatamente después de su extirpación, los resultados apuntan a un futuro en el que los cirujanos podrían recibir orientación rápida y sin etiquetas durante las operaciones.

Al combinar la velocidad de las imágenes ópticas con la potencia de la IA, DOCI tiene el potencial de reducir la incertidumbre en el quirófano, evitar cirugías innecesarias, preservar el tejido sano y mejorar los resultados de los pacientes con cáncer de tiroides, lo que permite a los cirujanos ver el cáncer, literalmente, bajo una nueva luz.

Imagen: Los investigadores han demostrado que los modelos de IA combinados con DOCI, un método de imagen que lee el brillo natural del tejido, pueden clasificar los subtipos de cáncer de tiroides y trazar mapas detallados de las regiones tumorales en muestras quirúrgicas ex vivo con un alto potencial para apoyar la evaluación intraoperatoria y la planificación quirúrgica. Crédito: T. Vasse et al., doi 10.1117/1.BIOS.3.1.015001

Fuente: SPIE--Sociedad Internacional de Óptica y Fotónica