Un equipo internacional de investigadores ha descrito en una revisión exhaustiva la combinación de imagen de autofluorescencia (AF) con métodos de aprendizaje profundo como un enfoque prometedor para la detección temprana y sin marcadores de enfermedades. La integración permite visualizar cambios metabólicos y microestructurales en el tejido mucho antes de que aparezcan cambios morfológicos clásicos. El artículo de revisión se publicó en la revista científica Frontiers in Artificial Intelligence.
Antecedentes
Muchas enfermedades, incluidas las precancerosas, las secuelas de la diabetes y las inflamaciones crónicas, comienzan con cambios bioquímicos y metabólicos en el tejido. Estos cambios tempranos a menudo aún no son visibles con los métodos de imagen convencionales. La imagen de autofluorescencia utiliza la fluorescencia natural de las moléculas endógenas del cuerpo (por ejemplo, NADH, FAD, colágeno, lipofuscina) para obtener información metabólica y estructural sin necesidad de tintes o agentes de contraste. Los algoritmos de aprendizaje profundo pueden analizar estas señales ópticas complejas y reconocer patrones que permanecen ocultos al ojo humano.
Base tecnológica
La autofluorescencia se produce por fluoróforos endógenos que proporcionan información sobre el metabolismo celular, el estado redox, la función mitocondrial y la composición de la matriz extracelular. Los cofactores redox como NADH y FAD, así como las proteínas estructurales como el colágeno y la elastina, son particularmente informativos.
Los modelos de aprendizaje profundo (especialmente las Redes Neuronales Convolucionales y las arquitecturas Transformer) se utilizan para extraer información clínicamente relevante de datos de AF hiperespectrales, resueltos en el tiempo (FLIM) o multiespectrales. La combinación de ambas tecnologías permite una imagen funcional basada en principios bioquímicos en lugar de un diagnóstico puramente morfológico.
Aplicaciones clínicas
La combinación AF-DL ya se está investigando en varias especialidades médicas:
- Oftalmología: Autoflurescencia de fondo (FAF) combinada con DL para la clasificación de enfermedades hereditarias de la retina y la predicción de la progresión de la atrofia geográfica en la degeneración macular asociada a la edad.
- Otorrinolaringología y Cirugía Tiroidea: Autoflurescencia en el infrarrojo cercano para la identificación intraoperatoria de glándulas paratiroides con alta precisión.
- Pulmón: Broncoscopia de autofluorescencia para mejorar la detección de carcinomas tempranos y precancerosos.
- Tracto digestivo: Detección de esófago de Barrett, pólipos colorrectales y enfermedades inflamatorias intestinales.
- Urología: Evaluación no invasiva de enfermedades renales a través de células autofluorescentes en la orina, así como la mejora de la detección del cáncer de vejiga.
- Dermatología: Diferenciación entre melanomas y lunares, y medición de productos finales de glicación avanzada (AGEs) como marcadores de estrés metabólico.
En varios estudios, la combinación de AF y aprendizaje profundo mejoró significativamente la precisión diagnóstica en comparación con la autofluorescencia pura o la imagen de luz blanca.
Desafíos
A pesar de los resultados prometedores, todavía existen obstáculos importantes:
- Fuerte dependencia de las señales del tipo de dispositivo, la iluminación y la óptica del tejido
- Heterogeneidad de los conjuntos de datos y falta de estandarización
- Generalización limitada de los modelos a otros centros
- Alto esfuerzo de anotación e interpretabilidad de los modelos de IA
- Cuestiones regulatorias y de flujo de trabajo en aplicaciones en tiempo real en el quirófano o durante la endoscopia
Perspectivas
Los autores ven el futuro en el desarrollo de sistemas multidimensionales e independientes del hardware que combinen información espectral, temporal y espacial. Los próximos pasos importantes incluyen protocolos de adquisición estandarizados, estudios multicéntricos prospectivos y la integración perfecta en los flujos de trabajo clínicos. A largo plazo, la combinación AF-DL podría conducir a una nueva clase de biomarcadores de imagen funcional que permitan un diagnóstico más temprano, más preciso y menos invasivo.
Preguntas frecuentes
¿Qué es la imagen por autofluorescencia?
Un método sin marcadores que utiliza la fluorescencia natural de moléculas endógenas (por ejemplo, NADH, FAD, colágeno) para visualizar cambios metabólicos y estructurales en los tejidos.
¿Por qué se necesita el aprendizaje profundo?
Las señales de autofluorescencia son complejas y se superponen. Los modelos de IA pueden reconocer patrones sutiles que son difíciles o imposibles de interpretar con métodos de análisis convencionales.
¿En qué áreas se utiliza ya la técnica?
Las aplicaciones están particularmente avanzadas en oftalmología, cirugía de tiroides y paratiroides, y en la detección temprana endoscópica de tumores en la región de cabeza y cuello y en el intestino.
¿Qué ventajas ofrece la combinación?
Detección más temprana de cambios, mejor diferenciación entre lesiones benignas y malignas, ayuda en la navegación intraoperatoria y una posible reducción de biopsias innecesarias.
¿Cuándo se espera un uso clínico generalizado?
Algunas aplicaciones (por ejemplo, identificación de paratiroides) ya se están utilizando en centros especializados. Sin embargo, para muchas otras indicaciones, todavía se necesitan estudios prospectivos más amplios y estandarizaciones.
