Para elegir el tratamiento más adecuado para un paciente con cáncer, es fundamental identificar primeramente su tipo específico de cáncer, así como también la localización del órgano o zona del cuerpo donde inicia el cáncer.
Aunque los principales desafíos con esta enfermedad giran en torno a sus tratamientos y eventuales curas, existen también casos muy puntuales en los que no se puede determinar el origen de un cáncer, incluso con pruebas exhaustivas. Esto podría cambiar gracias a la implementación de IA en la búsqueda.
IA del MIT para encontrar tipos indetectables de cáncer
Aunque los cánceres de origen desconocido tienden a ser agresivos, los oncólogos deben tratarlos con terapias no dirigidas, ante el desconocimiento sobre sus reales dimensiones y comportamiento. Dadas estas condiciones, con frecuencia los pacientes se exponen a toxicidades severas, lamentablemente bajas tasas de supervivencia.
Un nuevo enfoque de aprendizaje profundo, desarrollado por investigadores del Instituto Koch para la Investigación Integral del Cáncer en el Instituto Tecnológico de Massachusetts (MIT) y el Hospital General de Massachusetts (MGH), puede ayudar a clasificar los cánceres de origen primario desconocido al observar más de cerca los programas de expresión génica relacionados con el desarrollo y la diferenciación celular temprana.
“A veces se pueden aplicar todas las herramientas que los patólogos tienen para ofrecer y todavía se queda sin una respuesta”, comentan Salil Garg y Jennifer C. Johnson, ambos investigadores. “Las herramientas de aprendizaje automático como esta podrían empoderar a los oncólogos para elegir tratamientos más efectivos y brindar más orientación a sus pacientes”, agregaron.
La herramienta de inteligencia artificial puede identificar tipos de cáncer con un alto grado de sensibilidad y precisión, gracias a técnicas de aprendizaje automático.
Un modelo de aprendizaje automático, que aproveche las diferencias entre células sanas y normales, y entre diferentes tipos de cáncer, al usarse como una herramienta de diagnóstico, puede dar pie a grandes ayudas en esta búsqueda. Gracias a los avances en la creación de perfiles de células individuales y los esfuerzos para catalogar diferentes patrones de expresión celular en atlas de células, hay una gran cantidad de datos, aunque abrumadores para los ojos humanos, que contienen pistas sobre cómo y dónde se originaron los diferentes tipos de cáncer.
Si un modelo es demasiado complejo y tiene en cuenta demasiadas características de la expresión del gen del cáncer, el modelo podría aprender perfectamente los datos de entrenamiento, pero fallar cuando encuentre nuevos datos. Sin embargo, al simplificar el modelo al reducir la cantidad de características, el modelo puede perder la información que conduciría a una clasificación precisa de los tipos de cáncer.
Con el propósito de obtener un equilibrio entre la reducción del número de características a detectar y la extracción de la información más relevante, el equipo centró el modelo en los signos de vías de desarrollo alteradas en las células cancerosas.
En cuanto se desarrolla un embrión y las células indiferenciadas se especializan en varios órganos, una multitud de vías se encarga de orientar cómo las células se dividen, crecen, cambian de forma y migran. A medida que se desarrolla el tumor, las células cancerosas pierden muchas de las características especializadas de una célula madura. Al mismo tiempo, comienzan a parecerse a las células embrionarias en algunos aspectos, a medida que adquieren la capacidad de proliferar, transformarse y hacer metástasis en nuevos tejidos. En el medio clínico ya es conocido que muchos de los programas de expresión génica que impulsan la embriogénesis se reactivan o desregulan en las células cancerosas, según reportan los científicos del MIT.
“La expresión génica del desarrollo representa solo una pequeña porción de todos los factores que podrían usarse para diagnosticar y tratar el cáncer”, dice Garg. “La integración de la información de radiología, patología y expresión génica es el siguiente paso real en la medicina personalizada para pacientes con cáncer”.
Si bien, el estudio presenta un enfoque poderoso para clasificar los tumores, tiene algunas limitaciones. En próximas etapas, el equipo planea aumentar el poder predictivo de su modelo, a través de la introducción de otros tipos de datos, como información obtenida de radiología, microscopía y otros tipos de imágenes de tumores.