Investigadores de la Universidad de Waterloo han creado un modelo computacional para predecir con mayor precisión el crecimiento de tumores cerebrales mortales.
El glioblastoma multiforme (GBM) es un cáncer cerebral con una tasa de supervivencia promedio de solo un año. Es difícil de tratar debido a su extrema densidad, rápido crecimiento y ubicación en el cerebro. Estimar la incidencia y la prevalencia de estos tumores es útil para los médicos, pero es difícil predecir esta información para un paciente individual de forma rápida y precisa.
Investigadores de la Universidad de Waterloo y la Universidad de Toronto se asociaron con el Hospital St. Michael en Toronto para analizar los datos de resonancia magnética de varias personas con GBM. Están utilizando el aprendizaje automático para analizar completamente el tumor de un paciente, para predecir mejor la progresión del cáncer.
Los investigadores analizaron dos conjuntos de resonancias magnéticas para cada uno de los cinco pacientes no identificados con GBM. Los pacientes se sometieron a una resonancia magnética extensa, esperaron varios meses y luego recibieron una segunda serie de resonancias magnéticas. Debido a que, por razones no reveladas, estos pacientes optaron por no recibir ningún tratamiento o intervención durante este tiempo, las máquinas de resonancia magnética brindaron a los científicos una oportunidad única para comprender cómo crece GBM cuando no se controlan.
¿Quieres más noticias de última hora?
participación en redes de tecnologíaThe Daily Newsletter, que ofrece noticias científicas de última hora directamente en su bandeja de entrada todos los días.
Los investigadores utilizaron un modelo de aprendizaje profundo para convertir los datos de resonancia magnética en estimaciones de parámetros específicos del paciente que proporcionan un modelo predictivo para el crecimiento de GBM. Esta técnica se aplicó a tumores de pacientes y tumores sintéticos, cuyas propiedades reales se conocían, lo que les permitió validar el modelo.
«Nos encantaría hacer este análisis en un gran conjunto de datos», dijo Cameron Meaney, estudiante de doctorado en matemáticas aplicadas e investigador principal del estudio. «Dependiendo de la naturaleza de la enfermedad, esto es muy desafiante porque no hay una expectativa de vida larga y las personas tienden a comenzar el tratamiento. Es por eso que la oportunidad de comparar cinco tumores no tratados fue tan rara y valiosa».
Ahora que los científicos tienen un buen modelo de cómo crece GBM sin tratamiento, su siguiente paso es extender el modelo al efecto del tratamiento sobre los tumores. Luego, el conjunto de datos aumentaría de un puñado de resonancias magnéticas a miles.
Meany enfatiza que el acceso a los datos de resonancia magnética, y la asociación entre matemáticos y médicos, podría tener enormes implicaciones para los pacientes en el futuro.
«La integración del análisis cuantitativo en el cuidado de la salud es el futuro», dijo Minnie.
Referencia: Meaney C, Das S, Colak E, Kohandel M. Caracterización de aprendizaje profundo de tumores cerebrales con imágenes ponderadas por difusión. J. Teor. biol. 2023; 557: 111342. doi: 10.1016/j.jtbi.2022.111342
Este artículo se ha vuelto a publicar de la siguiente Materiales. Nota: Es posible que el artículo haya sido editado por su extensión y contenido. Para obtener más información, comuníquese con el recurso mencionado.
«Gurú del alcohol. Analista. Defensor de la comida. Aficionado extremo al tocino. Experto total en Internet. Adicto a la cultura pop. Pionero de viajes sutilmente encantador».