Inteligencia artificial para detectar tejido canceroso en tiempo real
Este tipo de tecnología permite que los cirujanos vean la extensión exacta de las neoplasias durante un procedimiento, asegurando que se extirpe quirúrgicamente la máxima cantidad de muestra cancerosa.
La visualización directa por endoscopia es un componente clínico novedoso para muchos pacientes con cáncer visceral. En la operación, la inspección directa ayuda a cuantificar la carga total de cáncer, especialmente en áreas que no se ven adecuadamente mediante análisis no invasivos, impactando positivamente la estrategia quirúrgica. Sin embargo, la determinación de la naturaleza del tejido mediante el criterio del cirujano solo o mediante una biopsia tradicional (que lleva tiempo, corre el riesgo de errores de muestreo y distorsiona el tejido residual) es imperfecta. La buena caracterización del tejido intraprocedimiento podría permitir un mejor perfil del tumor primario in situ y la confirmación/exclusión de los depósitos metastásicos, lo que optimizaría los resultados y la eficiencia de la atención médica.
Ronan Cahill y su equipo del Hospital Universitario Mater Misericordiae (Dublín, Irlanda), obtuvieron imágenes de tumores colorrectales de pacientes después de la aplicación de verde indocianina (0,25 mg / kg i.v.) al utilizar un sistema NIR endolaparoscópico que incluía la visualización in situ e inmediata de las lesiones rectales por vía transanal durante un máximo de 20 minutos. Las intensidades de fluorescencia temporal (FI) puntuales y dinámicas se cuantificaron utilizando ImageJ (incluyendo videos a un fotograma/segundo, fps) y la aplicación MATLAB® a medida que proporcionaba seguimiento del video digitalizado y el registro de señales a 30 fps (aplicación Fluorescence Tracker descargable mediante archivo MATLAB®). El análisis estadístico de los gráficos de tiempo FI comparó tumores (benignos y malignos) con el control durante el aumento, el pico y la disminución de la curva FI desde el vértice. La medición de la señal de FI cinética temprana delimitó los registros discriminativos de los tumores (n = 20, 9 cánceres), ofreciendo mejores datos para el análisis frente a la medición puntual retrasada (n = 10 cánceres).
Las curvas dinámicas de las lesiones malignas alcanzaron su punto máximo significativamente más tarde con un gradiente menos profundo que el tejido normal, mientras que las lesiones benignas mostraron una caída de intensidad significativamente mayor y más rápida frente al cáncer. La cuantificación automatizada expandió de manera eficiente los resultados manuales y proporcionó agrupamiento algorítmico de KNN (K Nearest Neighbors). El fotoblanqueo fue clínicamente irrelevante.
En conclusión, el análisis de un flujo continuo de datos de fluorescencia de verde indocianina adquiridos durante la cirugía identifica un tumor in situ con mayor detalle que la sola observación posterior. La cuantificación por software de tales registros cinéticos podría distinguir entre neoplasias invasivas y no invasivas con potencial para un diagnóstico en tiempo real.
