El portaobjetos de cristal no es nada especial. Una astilla de tumor cerebral, fijada en parafina, cortada en rodajas más finas que un cabello y lavada con los mismos dos tintes en los que se han apoyado los patólogos durante más de un siglo: hematoxilina para teñir los núcleos celulares de un color púrpura magullado, eosina para lavar el resto de un rosa polvoriento. Los hospitales de todo el mundo los fabrican. Un escáner convierte uno en una imagen digital y esa imagen pasa a un software llamado Hetairos. Aproximadamente doce minutos después, aparece un nombre, elegido entre 102 posibilidades, con un número adjunto que indica qué tan segura está la máquina.
Ese nombre es la parte difícil. Los tumores del cerebro y la médula espinal son una familia traicionera y en expansión, y durante la última década ha quedado claro que su apariencia en un microscopio a menudo dice mucho menos que lo que hace su ADN.
El estándar de oro para clasificarlos es una prueba llamada perfil de metilación del ADN, que lee las etiquetas químicas que se encuentran en la parte superior del genoma de un tumor y compara el patrón con tipos conocidos. Funciona maravillosamente. También necesita un laboratorio especializado, un kit costoso, una buena cantidad de tejido tumoral y unas dos semanas. En gran parte del mundo esas cosas simplemente no están disponibles, y quince días es mucho tiempo de espera cuando algo está creciendo dentro de tu cráneo.
Entonces, un equipo dirigido por Moritz Gerstung del Centro Alemán de Investigación del Cáncer en Heidelberg y Felix Sahm de la Universidad de Heidelberg formuló una pregunta contundente. ¿Podrías saltarte el laboratorio molecular por completo y predecir el subtipo de metilación sólo a partir del portaobjetos rosa y morado barato?
Lo que la máquina aprendió a ver
Para averiguarlo, alimentaron al sistema con más de 11.000 portaobjetos de 9.606 pacientes, reunidos en once centros médicos de cuatro continentes, cada uno de ellos ya etiquetado con la prueba molecular que debía imitar. Hetairos aprendió a cortar cada diapositiva escaneada en miles de pequeños mosaicos, extraer características visuales con un transformador de visión y sopesar qué parches importaban antes de comprometerse con uno de los 102 subtipos. Ese lapso cubre casi la totalidad de la clasificación actual de la Organización Mundial de la Salud.
El nombre es una pista de la intención. Hetairos significa compañero en griego, y los investigadores tienen cuidado de decir que está destinado a sentarse al lado del patólogo, no a empujarlo a un lado. “Desarrollamos Hetairos principalmente como una herramienta para apoyar el diagnóstico”, dice Sahm. “No pretende reemplazar los análisis moleculares, sino más bien complementarlos y acelerarlos específicamente. La tecnología podría hacer una contribución importante, particularmente en países o regiones con recursos limitados, ya que se basa en secciones de tejido estándar utilizadas en todo el mundo”.
Sin embargo, aquí está la parte que debería hacer reflexionar a los patólogos. El equipo llevó a cabo una competencia directa: 210 casos, la diapositiva H&E y nada más, cinco neuropatólogos certificados contra la máquina. En su mejor suposición, Hetairos acertó el 68 por ciento de las veces. Los especialistas humanos promediaron el 30 por ciento. Permita que cada lado haga tres conjeturas y la brecha se estrecha pero no se cierra: 84 por ciento para el software contra aproximadamente 50 para las personas. Estos son expertos siendo derrotados en aquello para lo que se entrenaron durante años, en diapositivas que, según todos los cálculos, nunca debieron contener tanta información en primer lugar. “Los resultados muestran que los sistemas modernos de inteligencia artificial ahora son capaces de reconocer patrones morfológicos extremadamente sutiles que son difíciles de distinguir incluso para especialistas experimentados”, dice Sahm.
Fundamentalmente, el sistema también sabe cuándo está fuera de su alcance. Entre la mitad y siete de cada diez casos habla con mucha confianza y acierta alrededor del 87 por ciento de las veces. Cuando no está seguro, lo dice y tiende a equivocarse con más frecuencia, lo que suena como un defecto pero está más cerca de una virtud: una máquina segura de sí misma que silenciosamente se equivoca es mucho más peligrosa que una que señala sus propias dudas.
Doce días, o doce minutos
Luego está el reloj. En un ensayo prospectivo paralelo al trabajo clínico ordinario, el estudio molecular completo duró unos doce días. Hetairos, trabajando en el tipo de computadora que se puede comprar en la calle principal, devolvió la respuesta en doce minutos. Contando la tinción y el escaneo, el resultado podría estar disponible en uno o dos días en lugar de quince días. La diferencia de costes es igual de marcada: un análisis de metilación cuesta varios cientos de euros, mientras que la IA lee una diapositiva que el hospital ya había hecho por alrededor de uno o dos.
No es perfecto y el equipo es sincero al respecto. Los tumores raros, aquellos que el sistema vio sólo un puñado de veces durante el entrenamiento, todavía fallan, y ahí un neuropatólogo experimentado se defiende o mejor. Como dice Gerstung, el diagnóstico de tipos de tumores muy raros sigue siendo un gran desafío, y los neuropatólogos experimentados parecen estar al menos a la altura. Espera que eso mejore a medida que crezcan los conjuntos de datos.
Donde podría ganarse el sustento más rápidamente es en los casos difíciles, aquellos en los que el propio patrón oro se queda en silencio. Cuando una biopsia arroja muy poco tejido para la maquinaria molecular, o cuando la prueba de metilación resulta confusa, a veces el portaobjetos es todo lo que uno tiene. En 96 muestras demasiado escasas para las pruebas de metilación, muchas de ellas pequeñas biopsias con aguja, el software aún llamó a 76 correctamente. Y debido a que pinta un mapa de calor sobre la diapositiva que muestra qué regiones influyeron en su decisión, un patólogo puede mirar por encima del hombro y verificar el razonamiento, o elegir el parche correcto para enviarlo a más pruebas.
“El estudio muestra que la inteligencia artificial es capaz de obtener información molecular directamente a partir de cortes de tejido rutinarios y, por tanto, cambiar fundamentalmente el diagnóstico del cáncer”, afirma Darui Jin, uno de los autores principales. Si lo hace en todas partes, o sólo en los hospitales bien financiados que menos necesitan la ayuda, dependerá de a quién se le entregue la herramienta. Un escáner de portaobjetos es mucho más barato que un laboratorio de metilación y ya hay muchísimos microscopios en el mundo.
Preguntas frecuentes
¿Cómo puede una IA leer información molecular de una diapositiva que no muestra ADN?
No lee el ADN directamente. En cambio, aprende, a partir de miles de ejemplos, que subtipos moleculares particulares dejan débiles huellas digitales visuales en la forma en que se organizan y forman las células, patrones demasiado sutiles para que el ojo humano pueda captarlos de manera confiable. La diapositiva siempre llevaba esa información; la máquina acaba de aprender a notarlo.
¿Es lo suficientemente preciso como para reemplazar la prueba molecular estándar?
Todavía no, y ese no es el objetivo. En los casos en los que tiene confianza, alrededor de la mitad a dos tercios de ellos, tiene razón aproximadamente el 87 por ciento de las veces, pero todavía tiene problemas con tipos de tumores raros y se vuelve menos seguro en diapositivas de hospitales desconocidos. Los investigadores lo enmarcan como un paso de clasificación rápido que guía y acelera las pruebas moleculares en lugar de un sustituto de las mismas.
¿Por qué es tan importante el cambio de doce minutos?
La elaboración de perfiles de metilación estándar tarda unas dos semanas y necesita un costoso laboratorio especializado que muchas regiones del mundo simplemente no tienen. Un diagnóstico disponible en uno o dos días, a partir de una diapositiva que cualquier hospital ya puede realizar, podría significar un tratamiento más rápido y podría llevar este nivel de clasificación de tumores a lugares donde nunca fue una opción.
¿Podría pasar desapercibida una respuesta incorrecta?
Ese riesgo es la razón por la que la puntuación de confianza es importante. El sistema tiende a señalar la incertidumbre en lugar de fanfarronear, asignando poca confianza a los casos en los que es probable que se equivoque, lo que permite a los médicos saber exactamente qué resultados respaldar con pruebas moleculares. Está diseñado para fallar ruidosamente en lugar de silenciosamente.
El estudio completo se publica en Nature Cancer.
Nota rápida antes de seguir leyendo.
ScienceBlog.com no tiene muros de pago, ni contenido patrocinado, ni ningún objetivo más allá de hacer la ciencia correcta. Cada historia aquí está escrita para informar, no para impresionar a un anunciante o promover un punto de vista.
El buen periodismo científico requiere tiempo: leer los artículos, comprobar las afirmaciones, encontrar investigadores que puedan poner los hallazgos en contexto. Hacemos ese trabajo porque creemos que es importante.
Si encuentra útil este sitio, considere apoyarlo con una donación. Incluso unos pocos dólares al mes ayudan a mantener la cobertura independiente y gratuita para todos.