Fecha

Nuevas técnicas de clasificación y delimitación de tumores cerebrales durante las cirugías

Investigadores madrileños consiguen clasificar y delimitar de forma precisa los tumores cerebrales mediante modelos inmersivos 3D e inteligencia artificial

Investigadores del Centro de Investigación en Tecnologías Software y Sistemas Multimedia para la Sostenibilidad (CITSEM) de la Universidad Politécnica de Madrid (UPM) conforman, junto con neurocirujanos del Instituto de investigación i+12 (imas12) del Hospital Universitario 12 de Octubre (HU12O), el equipo multidisciplinar del proyecto de investigación NEMESIS-3D-CM.  Este proyecto tiene como principal objetivo el desarrollo de un sistema de diagnóstico intraoperatorio 3D que permita la clasificación y delimitación de tumores cerebrales mediante el uso de modelos basados en técnicas de inteligencia artificial. En este momento el proyecto, aún en ejecución, se encuentra en una fase de desarrollo avanzada, y los resultados preliminares son prometedores.

A día de hoy, el cáncer, en sus diversos tipos, sigue siendo una de las principales causas de muerte. La Organización Mundial de la Salud (WHO) en su informe “WHO report on Cancer” estima que para el año 2040 el cáncer provocará la muerte de casi 30 millones de personas. En lo que respecta a los tumores cerebrales, el glioma es el tipo de tumor más común entre la población adulta, y el glioblastoma multiforme (GBM) el más agresivo y el que menor esperanza de vida lleva asociada, como se pone de manifiesto en un importante estudio de la American Association for Cancer Research.

La cirugía es una de las fases, inevitable en la mayoría de los casos, clave en la lucha contra los GBMs. Por este motivo, es crucial que los neurocirujanos tengan a su disposición la información precisa que les permita extirpar todo el tejido patológico salvando, al mismo tiempo, la mayor cantidad posible del tejido sano del paciente. Desafortunadamente, los gliomas presentan un alto grado de infiltración, lo que dificulta la extirpación completa del tumor, elevando el riesgo de futuras recidivas. Para hacer frente a estos desafíos los neurocirujanos cuentan con su experiencia y destreza, pero también con diversas técnicas de diagnóstico por imagen, como resonancias magnéticas y ultrasonidos, y de identificación como el 5-ALA, entre otras. Sin embargo, las primeras presentan inconvenientes en lo relativo a la precisión de las imágenes generadas y/o al tiempo necesario para adquirirlas y la segunda en lo relativo a la naturaleza invasiva del método.

Imagen sintética del tejido cerebral (arriba) y clasificación de los tejidos (abajo); en verde tejido sano, en azul tejido vascular, en rojo tejido canceroso y en rosa dura madre. Fuente: UPM

De esta forma, los investigadores y cirujanos involucrados en NEMESIS-3D-CM están utilizando modelos basados en técnicas de aprendizaje máquina (o más conocido como machine learning) generados a partir de imágenes hiperespectrales para discernir, en tiempo real y durante las mismas intervenciones quirúrgicas, qué tejido está afectado por el tumor y cual permanece sano. Esta tecnología presenta además la ventaja de no ser invasiva, ni ionizante para el paciente.

En el último trabajo realizado por el equipo de investigación, publicado en la revista Sensors, se han evaluado tres técnicas de aprendizaje máquina diferentes para generar modelos de clasificación a partir de las imágenes adquiridas durante las cirugías. “Cuantas más imágenes de las adquiridas en NEMESIS-3D-CM se utilicen en el proceso de entrenamiento del modelo, más precisa será la capacidad de identificar y clasificar que tendrá el sistema, ofreciendo mejores resultados durante las cirugías futuras”, señalan los investigadores. “Los resultados son prometedores y permiten seleccionar los algoritmos idóneos para abordar este reto”, concluyen.

Puedes encontrar más información sobre el proyecto NEMESIS-3D-CM en este vídeo.


Referencia bibliográfica:

Urbanos, G.; Martín, A.; Vázquez, G.; Villanueva, M.; Villa, M.; Jimenez-Roldan, L.; Chavarrías, M.; Lagares, A.; Juárez, E.; Sanz, C. Supervised Machine Learning Methods and Hyperspectral Imaging Techniques Jointly Applied for Brain Cancer Classification. Sensors 2021, 21, 3827. https://doi.org/10.3390/s21113827

Add new comment

The content of this field is kept private and will not be shown publicly.
Para el envío de comentarios, Ud. deberá rellenar todos los campos solicitados. Así mismo, le informamos que su nombre aparecerá publicado junto con su comentario, por lo que en caso que no quiera que se publique, le sugerimos introduzca un alias.

Normas de uso:

  • Las opiniones vertidas serán responsabilidad de su autor y en ningún caso de www.madrimasd.org,
  • No se admitirán comentarios contrarios a las leyes españolas o buen uso.
  • El administrador podrá eliminar comentarios no apropiados, intentando respetar siempre el derecho a la libertad de expresión.
CAPTCHA
Enter the characters shown in the image.
Esta pregunta es para probar si usted es un visitante humano o no y para evitar envíos automáticos de spam.