Investigadores del estudio - UV
VALÈNCIA 1 Oct. (EUROPA PRESS) -
Un equipo de la Universitat de València (UV) y la Universitat Politècnica de València (UPV) ha desarrollado y validado un sistema de inteligencia artificial (IA) capaz de diferenciar con alta precisión el sarcoma de Ewing de otros tumores morfológicamente similares.
El modelo, que también permite optimizar al máximo el uso de tejido en biopsias, alcanza una exactitud del 91,6%. El avance, publicado en la revista científica International Journal of Molecular Sciences, representa "un salto cualitativo" en patología digital al orientar el diagnóstico de neoplasias infantiles y juveniles muy complejas, "reduciendo errores y preservando el escaso material biológico obtenido en biopsias por punción", según ha informado la institución académica.
El sarcoma de Ewing es una neoplasia agresiva originada en huesos y partes blandas que afecta, sobre todo, en edad pediátrica y adolescente. Su identificación al microscopio plantea uno de los retos más arduos de la anatomía patológica debido a que comparte una apariencia de células indistinguible de otros tumores que también se originan en tejidos blandos, como el rabdomiosarcoma (músculo esquelético estriado), el condrosarcoma (cartílago), los tumores del estroma gastrointestinal (tubo digestivo) -GIST, por sus siglas en inglés- o el sarcoma sinovial (articulaciones).
Los investigadores del Departamento de Patología de la Universitat de València Francisco Giner -investigador principal y primer autor del artículo-, Isidro Machado y Samuel Navarro -también coordinador del Grupo de Investigación Traslacional de Tumores Sólidos Pediátricos del Instituto de Investigación Sanitaria INCLIVA- explican que "en muchas biopsias pequeñas el tejido es muy escaso.
Si el patólogo cuenta con una herramienta inicial que oriente certeramente la sospecha diagnóstica, puede decidir qué pruebas complementarias e inmunohistoquímicas solicitar, evitando agotar la muestra en análisis que no aporten información decisiva".
IA DE AYUDA AL PERSONAL MÉDICO
La nueva herramienta de IA ha sido desarrollada por un equipo del grupo de investigación CVBLab de la Universitat Politècnica de València y la empresa Artikode Intelligence, spin off de la UPV. "La herramienta está ideada como apoyo al personal médico de anatomía patológica y podría ayudar a orientar las pruebas necesarias para confirmar el diagnóstico, especialmente cuando se dispone de muy poco tejido de una biopsia. Con técnicas de aprendizaje profundo, el sistema identifica aquellos patrones microscópicos asociados a cada tipo de tumor y, posteriormente genera una clasificación", incide Valery Naranjo, coordinadora del CVBLab de la UPV y CTO de Artikode Intelligence.
Para entrenar y evaluar el sistema, el equipo de investigadores e investigadoras utilizó 1.926 muestras histológicas digitalizadas de 729 pacientes, de cuatro hospitales de España e Italia. Entre ellas había 517 casos de sarcoma de Ewing, además de otros tumores. En la cohorte de prueba independiente, el sistema alcanzó una precisión diagnóstica global del 91,6% y una sensibilidad del 97,1 % específicamente para el sarcoma de Ewing.
Asimismo, el modelo demostró una tasa de error marginal de apenas el 1,96% entre el sarcoma de Ewing y el rabdomiosarcoma, resolviendo con gran solidez el diagnóstico diferencial más desafiante entre los tumores de células redondas pequeñas. A este respecto, Francisco Giner recalca que el verdadero valor innovador del trabajo trasciende incluso la técnica algorítmica.
"La novedad del proyecto no reside simplemente en usar IA para diagnosticar Ewing, puesto que ya existen aproximaciones experimentales de aprendizaje profundo en este ámbito. Nuestra aportación diferencial está en la combinación del problema clínico abordado, el tipo de datos, la estrategia de clasificación y la orientación hacia una herramienta aplicable en patología digital real", destaca, e insiste, además, en que la inteligencia artificial "no pretende sustituir al patólogo, sino constituir un soporte diagnóstico objetivo, especialmente valioso en centros hospitalarios que no cuenten con un acceso inmediato a la batería completa de determinaciones moleculares".
Este "hito no queda resuelto con la publicación científica", sino que "sienta un precedente metodológico para la oncología computacional". Tal y como concluyen los autores, este marco analítico crea una base tecnológica para futuros proyectos, permitiendo trasladar estos algoritmos a secciones tisulares completas (whole slide images), incorporar subtipos genéticos emergentes (Ewing-like como CIC, BCOR, PATZ1 o NFATC2) y extender el apoyo diagnóstico a otras neoplasias raras de difícil abordaje, según las mismas fuentes.
