Optimizar los métodos de diagnóstico del cáncer de mama a partir del análisis del microambiente tumoral mediante el análisis automatizados de imágenes digitales, es uno de los objetivos de un proyecto que se desarrolla en el Instituto Nacional de Astrofísica, Óptica y Electrónica (INAOE), centro de investigación del Consejo Nacional de Humanidades, Ciencias y Tecnologías (Conahcyt).
Se trata de un proyecto interdisciplinario en el cual trabajan investigadores y estudiantes de Ciencias Computacionales y Ciencias y Tecnologías Biomédicas del INAOE, y médicos y especialistas del Instituto Jalisciense de Cancerología y del Centro de Enseñanza Técnica Industrial (CETI), de Jalisco.
El proyecto surgió a partir de la colaboración con investigadores de Jalisco, el doctor José Cruz Ramos y la doctora Gabriela López Armas. Hace dos años se desarrolló una primer tesis de maestría en Ciencias y Tecnologías Biomédicas del INAOE. Actualmente Héctor Zepeda Reyes y Miguel Loria Romero, estudiantes de doctorado del INAOE, trabajan en el tema.
La doctora Hayde Peregrina Barreto, investigadora del INAOE y líder del proyecto, informa que se está trabajando con bases de datos públicas de muestras digitales de cortes histopatológicos de cáncer en las cuales hay sospecha de cáncer.
“De la biopsia se hacen cortes para analizar pequeños fragmentos del tejido y ver qué tan presente está la malignidad o confirmarla. En ese tejido se estudian las estructuras de las células y otras estructuras específicas del cáncer de mama como los túbulos, las células que ya están haciendo mitosis y los núcleos”, comenta.
El proyecto busca automatizar dicho análisis y cuantificar la variación de las estructuras, procedimiento que el patólogo tradicionalmente hace observando el microscopio y con base en la experiencia.
“Muchos estudios han concluido que puede haber una discrepancia significativa entre patólogos. Para tener una referencia más precisa de qué es lo que se está evaluando, se han comenzado a desarrollar metodologías digitales de análisis de imágenes digitales para apoyar en este proceso en el cual el patólogo observa una cierta cantidad de campos o de espacios sobre la muestra y sobre cada una de ellas hace conteos, determinación de forma, análisis de esas estructuras. Es una tarea que requiere mucho tiempo. Si podemos automatizar al menos una parte de la tarea, ayudaríamos al patólogo evitando la fatiga y reduciendo los tiempos y costos”.
Héctor Zepeda Reyes, estudiante de doctorado de Ciencias y Tecnologías Biomédicas del INAOE, se ha involucrado en el proyecto gracias a su formación como biólogo molecular, “Siempre me llamó la atención trabajar sobre cáncer de mama, como ya tenía cierto trabajo durante la maestría con procesamiento de imágenes, le propuse a la doctora Hayde una idea que ya tenía, y la doctora ya tenía el antecedente de la compañera de la maestría.
Mi proyecto está enfocado sobre todo en el análisis del estroma, el estroma se comporta como el entorno celular, si bien a la hora de realizar el diagnóstico el patólogo se enfoca en estructuras como las células, la mitosis y las lúminas, hay un nuevo enfoque que trata de evaluar cómo se comporta el entorno celular y cuáles son sus patrones estructurales, porque está muy relacionado con el desarrollo y la malignidad del cáncer, evaluar esto con las herramientas de procesamiento de imágenes y de inteligencia artificial nos ayudará a tener una mejor precisión a la hora del diagnóstico y ofrecer mejores herramientas a los especialistas”, expresa.
En 2024, Héctor Zepeda realizará una estancia en el Instituto Jalisciense de Cancerología para comenzar a etiquetar todas las muestras y trabajar, en conjunto con el patólogo, en una base de datos de mujeres mexicanas.
La doctora Hayde Peregrina notifica que con otro de sus estudiantes de doctorado, Miguel Loria Romero, y en colaboración con un investigador de la Universidad de Alcalá, España, están trabajando en el desarrollo de una herramienta enfocada a la educación o entrenamiento especializado de los patólogos, apunta asimismo que este tipo de proyectos depende de una fuerte colaboración con sus pares médicos.
“Dado que puede haber discrepancia entre los patólogos, queremos hacer un sistema que evalúe lo que observan y luego a través de un modelo de deep learning o aprendizaje profundo podemos indicarle si falló o si le faltó algún elemento, lo que permitirá tener una métrica de cómo va mejorando su entrenamiento, el aprendizaje profundo permite reunir información, que ya tiene una etiqueta y alimentar un modelo que puede aprender con la ayuda de la información que da el patólogo y eso nos permite refinar los resultados, pudiendo ser más confiables”, subraya.
Para finalizar, Héctor Zepeda indica que ya tienen resultados interesantes y que se amplía el abanico de ideas y análisis: “Desde el enfoque biológico, esta combinación entre la parte computacional y la biológica definirá el futuro del área biomédica”.
