Luz, inteligencia artificial y cáncer

Ir a la web de unican | Unidad de Cultura Científica y de la Innovación (UCC+I)
Arturo Pardo Franco

Investigador predoctoral de la UC

Programa de Doctorado: Doctorado en Ingeniería Arquitectura

Rama del conocimiento: Ingeniería Fotónica

Director del Proyecto de Investigación Doctoral: 

Contacto: arturo.pardo@unican.es 


PROYECTO DE DOCTORADO:

LUZ, INTELIGENCIA ARTIFICIAL Y CÁNCER

CÁNCER. El cáncer de mama es una enfermedad que en 2019 afectó a unas 300.000 mujeres y a 2.500 hombres en Estados Unidos, resultando en un promedio de entre 40.000 y 45.000 muertes. Se estima que una de cada ocho mujeres sufrirá cáncer de pecho a lo largo de su vida, y una de cada cuarenta morirá por dicha enfermedad.1   

Cuando un médico debe extraer un tumor de cáncer de mama, lo más importante es asegurarse de que no queden células tumorales en el interior del paciente una vez haya terminado la intervención. 
Para conseguirlo, el cirujano trata de extraer el tumor rodeado de una capa de tejido normal, no cancerígeno. La lógica es evidente: si la pieza extraída contiene en su interior el tejido canceroso, está perfectamente rodeada de tejido normal, y el tumor no asoma por ningún lugar en la muestra, podemos concluir que la extracción ha sido un éxito, y que no queda nada en el paciente: el tumor está fuera. 

El procedimiento mediante el cual el cirujano –bien en solitario o bien en colaboración con un médico histopatólogo— observa la muestra extraída en la mesa de operaciones y toma decisiones durante la intervención recibe el nombre de 
examinación macroscópica  intraoperativa. 

Desafortunadamente, entre un 20 % y un 40 % de las tumorectomías reportan incorrectamente una extracción exitosa (márgenes negativos) durante la intervención, 2–4 lo cual se detecta tras un arduo análisis histopatológico, horas o días después de la intervención. 
Esto quiere decir que un paciente puede necesitar pasar por el quirófano dos o tres veces antes de considerarse libre de tumor, con los riesgos secundarios (tanto médicos como psicológicos) que ello puede implicar. 


LUZ. En 2005, David Cuccia y el grupo de investigación liderado por Bruce J. Tromberg publican una técnica llamada imagen en el dominio de las frecuencias espaciales (Spatial Frequency Domain Imaging, oSFDI).5,6 

Con:
  • un proyector de diapositivas
  • una cámara 
  • una serie de cálculos relativamente sencillos

es posible deducir: la composición y estructura (que dispersa la luz) y la composición química (que absorbe diferentes colores, o longitudes de onda de la luz) de un material, al proyectar patrones de franjas de luz y oscuridad sobre la muestra.

 Nuestros colaboradores del Optics  in  Medicine  Lab (Dartmouth College,Hanover, NH, USA), liderados por el profesor Brian W. Pogue, son pioneros en los primeros estudios clínicos sobre la viabilidad de esta técnica en cirugía de resección de pecho entre 2013 y 2019.7–12 Durante el estudio, los tumores se midieron con un sistema SFDI antes de ser procesados por el histopatólogo con el método tradicional. 

La idea final es que, si el sistema es validado, el procedimiento de detección de los márgenes quirúrgicos se haga durante la cirugía, de forma automatizada, minimizando el número de segundas y terceras intervenciones.

Sin embargo, aún hace falta un método específico para diagnosticar en función de las propiedades ópticas del tejido medido. 

Una parte de este Proyecto de Tesis Doctoral consiste en:

  1. el prototipado por impresión 3D 
  2. construcción de dos dispositivos SFDI, uno en el rango visible (400−800nm) y otro en el rango infrarrojo cercano (900−1700nm)

dotando al Grupo de Ingeniería Fotónica de la Universidad de Cantabria de equipos utilizables en pruebas de campo reales. 

INTELIGENCIA ARTIFICIAL. Durante los estudios clínicos del Optics  in  Medicine  Lab se generaron gigantescas bases de datos de tumores, que ocupan gigas y gigas de información. Nuestra especialidad, y la parte más importante de esta Tesis Doctoral, es el desarrollo en colaboración con Dartmouth de técnicas de análisis estadístico, procesado de señal y aprendizaje máquina para analizar las ingentes cantidades de información generadas para cada tumor. 

La Tesis versa sobre el uso de tecnologías de aprendizaje profundo (deep  learning) para procesar la información y tratar de obtener conclusiones generales, de momento demostrando la delineación automática de tumores 13–16 y los métodos de realidad aumentada necesarios para ayudar y guiar al cirujano durante la intervención.17 Trabajos en curso abordan el descubrimiento de una firma espectral, o comportamiento óptico exclusivo del cáncer, de forma respectiva las diferencias entre pacientes y casos, y el desarrollo de redes neuronales que clasifiquen el margen quirúrgico de forma adaptada a cada caso en cuestión.





Referencias:
[1] American Cancer Society. Breast Cancer Facts & Figures 2019-2020.https://www.cancer.org/.
[2] R. G. Pleijhuis, M. Graafland, J. de Vries, J. Bart, J. S. de Jong, and G. M. van Dam. Obtaining adequatesurgical margins in breast-conserving therapy for patients with early-stage breast cancer: current modalitiesand future directions.Ann Surg Oncol., 16(10):2717–2730, 2009.
[3] K. Kaczmarski, P Wang, R Gilmore, H. N. Overton, D. M. Euhus, L. K. Jacobs, M. Habibi, M. Camp,M. J. Weiss, and M. A. Makary. Surgeron Re-Excision Rates after Breast-Conserving Surgery: A Measureof Low-Value Care.J. Am. Coll. Surg., 228(4):504–512, 2019.
[4] P. J. Lovrics, S. D. Cornacchi, F. Farrokyar, A. Garnett, V. Chen, S. Franic, and M. Simunovic. Technicalfactors, surgeon case volume and positive margin rates after breast conservation surgery for early-stagebreast cancer.Can J. Surg, 53(5):305–312, 2010.
[5] David J. Cuccia, Frederic Bevilacqua, Anthony J. Durkin, and Bruce J. Tromberg. Modulated imaging: quan-titative analysis and tomography of turbid media in the spatial-frequency domain.Opt. Lett., 30(11):1354–1356, 2005.
[6] D. J. Cuccia, F. Bevilacqua, A. J. Durkin, F. R. Ayers, and B. J. Tromberg. Quantitation and mapping oftissue optical properties using modulated imaging.J. Biomed. Opt., 14(2):024012, 2009.
[7] Ashley M. Laughney, Venkataramanan Krishnaswamy, Tyler B. Rice, David J. Cuccia, Richard J. Barth,Bruce J. Tromberg, Keith D. Paulsen, Brian W. Pogue, and Wendy A. Wells. System analysis of spatialfrequency domain imaging for quantitative mapping of surgically resected breast tissues.J. Biomed. Opt.,18(3), 2013.
[8] Ashley M. Laughney, Venkataramanan Krishnaswamy, Elizabeth J. Rizzo, Mary C. Schwab, Richard J. Barth,David J. Cuccia, Bruce J. Tromberg, Keith D. Paulse, Brian W. Pogue, and Wendy A. Wells. Spectraldiscrimination of breast pathologies in situ using spatial frequency domain imaging.Breast  Cancer  Res.,15(4):R61, 2013.
[9] Stephen Chad Kanick, David McClatchy III, Venkataramanan Krishnaswamy, Jonathan T. Elliott, Keith D.Paulsen, and Brian W. Pogue. Sub-diffusive scattering parameter maps recovered using wide-field high-frequency structured light imaging.Biomed. Opt. Express, 5(10):3376–3390, 2014.
[10]D. M. McClatchy-III, E. J. Rizzo, W. A. Wells, P. P. Cheney, J. C. Hwang, K. D. Paulsen, B. W. Pogue, andS. C. Kanick. Wide-field quantitative imaging of tissue microstructure using sub-diffuse spatial frequencydomain imaging.Optica, 3(6):613–621, 2016.[11]David M. McClatchy-III, Elizabeth J. Rizzo, Jeff Meganck, Josh Kempner, Jared Vicory, Wendy A. Wells,Keith D. Paulsen, and Brian W. Pogue. Calibration and analysis of a multimodal micro-ct and structuredlight imaging system for the evaluation of excised breast tissue.Phys Med Biol., 62(23):9893–9000, 2017.
[12]Samuel S. Streeter, Benjamin W. Maloney, David M. McClatchy, Michael Jermyn, Brian W. Pogue, Eli-zabeth J. Rizzo, Wendy A. Wells, and Keith D. Paulsen. Structured light imaging for breast-conservingsurgery, part II: texture analysis and classification.Journal of Biomedical Optics, 24(9):1 – 12, 2019.
[13]Arturo Pardo, Samuel S Streeter, Benjamin W Maloney, José M López-Higuera, Brian W Pogue, and Olga MConde. Scatter signatures in sfdi data enable breast surgical margin delineation via ensemble learning. InBiomedical Applications of Light Scattering X, volume 11253, page 112530K. International Society for Opticsand Photonics, 2020.
[14]A. Pardo, José A. Gutiérrez-Gutiérrez, Samuel S. Streeter, Benjamin W. Maloney, J. M. López-Higuera,B. Pogue, and O. Conde. Automated surgical margin assessment in breast conserving surgery using SFDIwith ensembles of self-confident deep convolutional networks. InPhotonics Europe, 2020.
[15]Arturo Pardo, José A. Gutiérrez-Gutiérrez, I. Lihacova, José M. López-Higuera, and Olga M. Conde. Onthe spectral signature of melanoma: a non-parametric classification framework for cancer detection in hy-perspectral imaging of melanocytic lesions.Biomed. Opt. Express, 9(12):6283–6301, Dec 2018.
[16]A. Pardo, E. Real, Venkat Krishnaswamy, J. López-Higuera, B. Pogue, and O. Conde. Directional kerneldensity estimation for classification of breast tissue spectra.IEEE Transactions on Medical Imaging, 36:64–73, 2017.
[17]Arturo Pardo, José A. Gutiérrez-Gutiérrez, José M. López-Higuera, and Olga M. Conde.  Context-freehyperspectral image enhancement for wide-field optical biomarker visualization.Biomed.  Opt.  Express,11(1):133–148, Jan 2020