Redes neurais e microscopia sem rótulo permitem a detecção precisa de tumores pancreáticos

As neoplasias neuroendócrinas pancreáticas (PNENS) são uma forma rara de câncer que afeta as células produtoras de hormônios no pâncreas. Embora incomuns, sua incidência tenha aumentado constantemente nas últimas décadas.

As opções de tratamento incluem quimioterapia e terapias direcionadas, mas a cirurgia continua sendo a única chance de uma cura. No entanto, as decisões cirúrgicas geralmente dependem dos resultados de patologia que podem levar horas ou até dias, atrasando o tratamento e aumentando o risco de remoção incompleta do tumor.

Pesquisadores da Universidade do Arizona desenvolveram um novo método de imagem que poderia ajudar os cirurgiões a identificar tecidos cancerígenos com mais rapidez e precisão.

A técnica, chamada microscopia multifotônica (MPM), usa uma forma de imagem à base de luz que pode destacar moléculas fluorescentes naturais no tecido. Ao contrário da microscopia tradicional, o MPM causa menos danos às amostras e fornece imagens mais claras, tornando-a uma ferramenta promissora para análise em tempo real durante a cirurgia.

Conforme relatado em Descoberta biofotônicaa equipe de pesquisa usou MPM para digitalizar amostras de tecido pancreático para marcadores fluorescentes que ocorrem naturalmente como colágeno, NADH, moda, lipofuscinas e porfirinas.

Esses marcadores ajudam a distinguir entre tecido saudável e canceroso. Para interpretar as imagens, os pesquisadores aplicaram as técnicas de aprendizado de máquina (ML) e de aprendizado profundo. Um algoritmo ML e quatro redes neurais convolucionais (CNNs) foram treinadas para classificar os tipos de tecido.

Os resultados foram encorajadores. O algoritmo ML alcançou uma precisão de 80,6% na identificação de tecidos cancerígenos, enquanto os CNNs tiveram um desempenho ainda melhor, com precisão variando de 90,8% a 96,4%. Essas pontuações altas são especialmente notáveis ​​porque as amostras vieram de vários biorrepositórios, sugerindo que o método é robusto em diferentes fontes.

Enquanto os CNNs superaram o algoritmo ML, este último ofereceu mais transparência. Ao analisar quais recursos influenciaram as decisões do modelo ML, os pesquisadores descobriram que o conteúdo de colágeno e as características da imagem como contraste e correlação eram indicadores -chave de câncer.

Esse insight pode ajudar a refinar modelos futuros e melhorar a compreensão da estrutura do tecido PNEN.

O estudo também mostrou que a imagem do MPM é mais rápida que a histologia tradicional, embora os pesquisadores acreditem que novas melhorias possam torná -la ainda mais rápida. Em seguida, eles planejam testar a técnica em amostras de tecido fresco durante a cirurgia e explorar se ela pode ajudar a determinar o grau e o tipo de pnens – informações que podem orientar as decisões de tratamento com mais precisão.

Esta pesquisa aponta para um futuro em que o diagnóstico de câncer e o planejamento cirúrgico podem ocorrer quase em tempo real, potencialmente reduzindo a necessidade de cirurgias repetidas e melhorando os resultados para pacientes com câncer de pâncreas.