Gisela Romina Pattarone, Médica y Magister en Ciencias, desarrolló una investigación sobre la clasificación automática de células de cáncer de mama utilizando redes neuronales convolucionales profundas y conversó con océano medicina sobre los últimos avances de la misma
-En biología y tecnología, la clasificación automática de células de cáncer es un objetivo activo y desafiante para los algoritmos utilizados en visión artificial y aprendizaje automático. El cáncer de mama es el tumor maligno más frecuente en mujeres e involucra heterogeneidad celular intra e intertumoral. Es decir, poblaciones de células fenotípicamente diversas. Dicha heterogeneidad celular intra-tumoral ha demostrado en diferentes publicaciones que puede influir en el comportamiento biológico y la respuesta ante agentes quimioterapéuticos.
-En los últimos años, diferentes estudios fueron orientados hacia el objetivo de construir clasificadores automáticos de células basados en inteligencia artificial. Éstos utilizaron imágenes microscópicas sin marcadores fluorescentes o tinciones. Sin embargo, según nuestro conocimiento, hasta el momento no hay trabajo previo que haya intentado realizar una segmentación celular individual y clasificación de cáncer de mama utilizando técnicas informáticas de imágenes.
-En este trabajo, nuestro objetivo junto al Doctor Emmanuel Iarussi, es clasificar células de cáncer de mama en función de sus características morfológicas utilizando técnicas de procesamiento automático de imágenes sin tinción, es decir, utilizando solo imágenes microscópicas de campo claro.
Para este fin, primero desarrollamos un amplio conjunto de datos compuesto por imágenes provenientes de una línea celular de cáncer de mama denominada JIMT-1 a través del cultivo celular, fluorescencia e imágenes de células vivas. Esta línea celular característicamente se comporta como un cáncer de mama triple negativo, por lo cual las imágenes serán tomadas en dos condiciones diferentes: sin tratamiento y con tratamiento quimioterapéutico de doxorrubicina y paclitaxel.
En segundo lugar, entrenamos la arquitectura de una Red Neuronal Convolucional para que sea capaz de realizar una clasificación de imágenes de células en vivas y muertas utilizando imágenes etiquetadas con fluorescencia obtenidas del microscopio utilizado.
-El estudio desarrollado reveló que nuestro modelo de clasificación automática de viabilidad celular alcanzó el 65% de precisión en clasificar células de cáncer de mama bajo tratamiento quimioterapéutico con doxorrubicina y paclitaxel. Además, alcanzó el 70% de exactitud en clasificar imágenes de células de cáncer de mama sin ningún tratamiento.
Nuestros resultados destacan el potencial que conlleva el aprendizaje automático y los algoritmos de visión artificial para ser usados en la construcción de nuevas herramientas de diagnóstico para el cáncer de mama.
-Sí, la aplicación del aprendizaje automático y los algoritmos de visión artificial son potenciales herramientas a ser usados en los casos de resistencia quimioterapéutica, por ejemplo. Es decir, utilizar la herramienta como una aplicación con potencial individualidad de pacientes cuando el tratamiento convencional no genere la respuesta esperada. Creemos que puede ser fundamental su uso para adecuar el tratamiento de manera específica a los pacientes ya que permite un abordaje de la heterogeneidad celular que este tipo de patologías implica.
-Su implementación beneficia el área de investigación biomédica, ya que permite el desarrollo de trabajos de investigación reproducibles y productivos debido a la reducción de costos y tiempos de inversión. La proyección en este sentido, tiene que ver con el uso en los estudios in-vitro, principalmente en las primeras fases de la farmacovigilancia y potencial lanzamiento de una nueva droga.
Creemos que puede aportar datos interesantes para establecer parámetros farmacocinéticos y farmacodinámicos de las nuevas drogas quimioterapéuticas con estudios in-vitro, por un lado reduciendo de esta manera el uso de animales de laboratorio y por otro ampliando el conocimiento de los efectos adversos a nivel celular previo a su aplicación en pacientes y posterior comercialización.
-La siguiente fase de la investigación es realizar un detalle del aprendizaje automático. Es decir, lograr con diferentes aplicaciones de técnicas de imágenes comprender cuales son los parámetros que utiliza la red neuronal con mayor especificidad y sensibilidad para clasificar las imágenes de células en vivas o muertas.
Así como también, complementar esta información con las imágenes y tinciones fluorescentes específicas que realizamos del núcleo celular y procesos asociados como apoptosis desencadenada por caspasas y autofagia. Por otro lado, mi objetivo personal es mediante el desarrollo de un Ph.D en Neurociencia Computacional aplicar el uso de estas técnicas de imágenes y aprendizaje automático en la enfermedad de Alzheimer. Proyecto que será desarrollado gracias al soporte y unión de la Doctora Laura Morelli de la Fundación Instituto Leloir y el Doctor Francisco Tamarit de la Universidad Nacional de Córdoba.
También le podría interesar:
'-Mayo Clinic.
Suscripción exitosa
¡Muchas gracias por suscribirte
a nuestro newsletter!
