CLASSICA: validación de IA en la clasificación del cáncer en el estudio de cirugía en tiempo real 1

Los pólipos rectales de más de 2 cm de tamaño (que afectan a unos 10 000 pacientes al año solo en Europa) representan un desafío clínico considerable. Si bien los pólipos más pequeños pueden tratarse mediante polipectomía endoscópica de rutina y el cáncer clínico franco avanzará a través de un paradigma de cirugía de cáncer tradicional, los pólipos de este tamaño tienen la opción de extirparse localmente, intactos mediante resección endoscópica transanal (también conocida como cirugía mínimamente invasiva transanal, TAMIS). Este es el tratamiento de elección en este sitio debido a su capacidad para proporcionar una única muestra completa sin fragmentar frente a otras modalidades (p. resección submucosa endoscópica). Si bien la tecnología y la capacitación para permitir la resección transanal se han vuelto mucho más disponibles durante la última década (especialmente TAMIS), lo que significa que más pacientes pueden tener grandes lesiones benignas e incluso algunos cánceres rectales tempranos extirpados en sus centros especializados locales, el principal freno ahora en tal atención es la selección de pacientes: es decir, cómo saber si un paciente dado tiene un pólipo benigno o un cáncer antes de su resección.

Las biopsias endoscópicas son notoriamente inexactas hasta en un 20% de tales lesiones (los cánceres rectales comienzan con mayor frecuencia como lesiones adenomatosas y, por lo tanto, las biopsias superficiales pueden pasar por alto un foco maligno). Identificar erróneamente un cáncer como una lesión benigna y tratarlo con escisión local empeora significativamente el pronóstico y compromete la cirugía posterior contra el cáncer, incluida la posibilidad de convertir un sitio de resección reconstruible (es decir, una lesión adecuada para resección anterior) en uno no reconstruible (es decir, que necesitan una resección abdominoperineal con colostomía permanente) y al sembrar células cancerosas en un margen profundo o en un plano diferente, particularmente como en el caso de lesiones posicionadas anteriormente. Además, las técnicas de escisión transanal continúan teniendo tasas relativamente altas de márgenes positivos; esto corre el riesgo de que las lesiones benignas vuelvan a crecer y limita la terapia local efectiva para los cánceres en etapa más temprana debido a la presencia de enfermedad inaparente cerca de la masa tumoral principal.

Hemos demostrado previamente, mediante el uso de verde de indocianina fluorescente (ICG), que la perfusión es visiblemente diferente, entre el tumor y el tejido sano. Esta diferencia se puede capturar a través de video infrarrojo y el análisis matemático puede diferenciar el patrón de perfusión de áreas malignas de cualquier tejido benigno/normal también visible en la misma vista endoscópica. En resumen, la saturación de fluorescencia en cada región de interés (es decir, tumor o área de mucosa normal) se puede medir a partir del video grabado utilizando el software existente desarrollado por IBM. El cambio en la fluorescencia a lo largo del tiempo se puede trazar en una curva, lo que demuestra el flujo de entrada, pico y salida de ICG, que depende de los patrones de perfusión dentro de la región de interés. Estas curvas difieren según el tejido que se examina y, por lo tanto, se pueden utilizar para clasificar los tumores benignos de los malignos mediante el cálculo de la pendiente de captación y el área bajo la curva para medir el flujo de salida. Por lo tanto, en un lugar (como el recto) donde se sospecha un cáncer, el análisis del video se puede usar para diferenciar entre tejidos sanos y cancerosos. Este descubrimiento se puede explotar para uso clínico mediante la aplicación de métodos de IA, incluida la visión por computadora y el aprendizaje automático. En esencia, la intensidad de la fluorescencia de los píxeles que muestran los tejidos de interés varía con el flujo sanguíneo (perfusión), cuando la sangre se tiñe con ICG y se ilumina con luz infrarroja cercana (NIR). La intensidad se captura a lo largo del tiempo, a partir de múltiples cuadros de video, y esta intensidad se representa como una curva. Las curvas de intensidad del tejido tumoral son diferentes a las del tejido sano, y las de los tumores benignos son diferentes a las de los tumores malignos. El análisis de las características de la curva para cada píxel en una región de interés puede conducir a una clasificación.

Un sistema de IA de este tipo se prototipó y entrenó previamente en el Mater Hospital con videos de una población de pacientes irlandeses con cáncer de dos centros regionales, de modo que pueda identificar automáticamente tumores malignos y lesiones benignas de tejido sano por sus patrones de perfusión. Este prototipo ha demostrado previamente una precisión de >80 %.

En este estudio, validamos clínicamente el concepto o método básico de clasificación de tejido por sus características de señal de fluorescencia y, al mismo tiempo, vemos si se puede construir un dispositivo sobre esta base que pueda extrapolar los datos generados a partir de los videos por el personal de la UCD. También abordamos la cuestión de la generalización: ¿pueden otros cirujanos usar el sistema y obtener resultados similares de sus cohortes de pacientes específicas? Esto allanará el camino para futuros estudios que están planificados para determinar las funciones de la biopsia (¿puede el sistema permitir la elección óptima del tejido de la biopsia y, por lo tanto, reducir el error de la biopsia?); y resección del tumor (¿puede el sistema aumentar la integridad y precisión de la resección del tumor?).