El cáncer de mama es una enfermedad que, solo en 2022, afectó a 2,3 millones de mujeres en el mundo. Sin embargo, el 25% de todos los diagnósticos de cáncer de mama son de carcinoma ductal in situ (CDIS), un tipo de tumor preinvasivo que puede progresar hasta convertirse en una forma de cáncer de mama sumamente mortal. Pese a ello, a los médicos les resulta difícil determinar el tipo y el estadio del DCIS, por lo que los pacientes con este trastorno suelen recibir un tratamiento excesivo.
Entre el 30 y el 50 % de las pacientes con DCIS desarrollan una etapa altamente invasiva del cáncer, pero los investigadores desconocen los biomarcadores que podrían indicarle al médico qué tumores progresarán. Generalmente, los investigadores pueden emplear técnicas como la tinción multiplexada o la secuenciación de ARN de células individuales para determinar el estadio del DCIS en muestras de tejido. El problema está en que estas pruebas son demasiado caras para realizarlas de forma generalizada.
Para hacer frente a este problema, un equipo interdisciplinario de investigadores del MIT y la ETH de Zúrich desarrolló un modelo de inteligencia artificial que puede identificar diferentes estadios del DCIS a partir de una imagen de tejido mamario barata y fácil de obtener. El modelo demuestra que, para determinar el estadio del DCIS, tanto el estado como la disposición de las células en una muestra de tejido son importantes.
El modelo demuestra que, para determinar el estadio del DCIS, tanto el estado como la disposición de las células en una muestra de tejido son importantes
En trabajos anteriores, los investigadores demostraron que una técnica de obtención de imágenes barata, conocida como tinción de cromatina, podría ser tan informativa como la secuenciación de ARN de una sola célula, mucho más costosa. Partiendo de esta investigación, plantearon la hipótesis de que la combinación de esta única tinción con un modelo de aprendizaje automático cuidadosamente diseñado podría proporcionar la misma información sobre el estado del cáncer que las técnicas más costosas.
Así, como las imágenes de tejidos son fáciles de obtener, los investigadores crearon uno de los conjuntos de datos más grandes de su tipo, que utilizaron para entrenar y probar su modelo. En concreto, crearon un conjunto de datos que contenía 560 imágenes de muestras de tejido de 122 pacientes en tres etapas diferentes de la enfermedad. El modelo de IA aprende una representación del estado de cada célula en una imagen de muestra de tejido, que utiliza para inferir la etapa del cáncer de un paciente.
Sin embargo, no todas las células son indicativas de cáncer, por lo que los investigadores tuvieron que agruparlas de forma significativa. De este modo, diseñaron el modelo para crear grupos de células en estados similares, identificando ocho estados que son marcadores importantes del DCIS. Algunos estados celulares son más indicativos de cáncer invasivo que otros, y el modelo determina la proporción de células en cada estado en una muestra de tejido.
“Pero en el cáncer, la organización de las células también cambia. Descubrimos que no basta con conocer las proporciones de células en cada estado. También es necesario comprender cómo se organizan las células”, afirma el coautor de correspondencia GV Shivashankar, profesor de mecogenómica en ETH Zúrich junto con el Instituto Paul Scherrer. Con este conocimiento, diseñaron el modelo para considerar la proporción y la disposición de los estados celulares, lo que aumentó significativamente su precisión.
Caroline Uhler: "Todavía queda mucha investigación por hacer, pero debemos tener en cuenta la organización de las células en más estudios”
“Lo interesante para nosotros fue ver cuánto importa la organización espacial. Estudios anteriores habían demostrado que las células que están cerca del conducto mamario son importantes. Pero también es importante considerar qué células están cerca de qué otras células”, añade el autor principal, Xinyi Zhang, estudiante de posgrado en EECS y el Centro Eric y Wendy Schmidt. Cuando compararon los resultados de su modelo con muestras evaluadas por un patólogo, hubo una clara concordancia en muchos casos.
En aquellos casos en los que no era tan claro, el modelo podía brindar información sobre características de una muestra de tejido, como la organización de las células, que un patólogo podría usar para tomar decisiones. Además, este modelo versátil también podría adaptarse para su uso en otros tipos de cáncer o incluso en enfermedades neurodegenerativas, un área que también está siendo explorada por los investigadores.
“Hemos demostrado que, con las técnicas de IA adecuadas, esta simple tinción puede ser muy eficaz. Todavía queda mucha investigación por hacer, pero debemos tener en cuenta la organización de las células en más estudios”, concluye Caroline Uhler, profesora del Departamento de Ingeniería Eléctrica y Ciencias de la Computación (EECS) y del Instituto de Datos, Sistemas y Sociedad (IDSS). En el futuro, este modelo podría usarse como una herramienta para ayudar a los médicos a agilizar el diagnóstico de casos más simples sin necesidad de pruebas que requieren mucho trabajo. Esto les daría más tiempo para evaluar los casos en los que está menos claro si el DCIS se volverá invasivo.