Personal investigador de los grupos “Inflamación y cáncer”, “Trasplante pulmonar. Neoplasias torácicas” y “Radiodiagnóstico” del IMIBIC, del Hospital Reina Sofía y de la Universidad de Córdoba, bajo la dirección del Prof. Dr. Marco Antonio Calzado y en colaboración con el grupo de investigación del Prof. Dr. Eric Aboagye, del Imperial College y Director del Centro integral de diagnóstico por imagen del cáncer de Londres, han desarrollado un modelo computacional que predice el tipo de tumor y el pronóstico del paciente sin necesidad de realizar biopsias.
Este proyecto integra por primera vez datos procedentes del estudio del metabolismo de tumores de pulmón de pacientes, con las imágenes realizadas mediante Tomografía Axial Computarizada (TAC). Mediante técnicas de aprendizaje computacional profundo, se ha conseguido generar un modelo que permite, partiendo solamente de la imagen del TAC, una clasificación bastante exacta del tipo de tumor así como conocer el pronóstico del paciente a largo plazo. Esto se alinea con las bases de la medicina personalizada, donde la ciencia básica y la computación ofrecen la posibilidad de conocer más información con antelación, evitando la necesidad de realizar biopsias.
El estudio se centra en un área de investigación completamente novedosa y emergente conocida como radiogenómica. Con este tipo de investigación se busca extraer automáticamente datos procedentes de las imágenes radiológicas realizadas de rutina y combinarlos con datos moleculares del mismo paciente. Mediante esta integración, se pueden generar posteriormente modelos matemáticos que permiten con solamente una imagen radiológica, sin la necesidad de tomar muestras del paciente, conocer datos de tumores que permiten su clasificación e incluso el pronóstico.
Este trabajo ha sido publicado en la revista NPJ Precision Oncology de la prestigiosa editorial Nature. Además, ha sido el germen de un proyecto de investigación concedido por la Junta de Andalucía, cuyos datos están siendo actualmente analizados y de los que se espera se generen nuevos modelos predictivos similares.
Referencia:
Título: “Deep representation learning of tissue metabolome and computed tomography annotates NSCLC classification and prognosis”
https://www.nature.com/articles/s41698-024-00502-3
El equipo de investigadores observó cambios en el...
El gen AtCDF3 promueve una mayor producción de az...
Un estudio con datos de los últimos 35 años, ind...
En nuestro post hablamos sobre este interesante tipo de célula del si...
Con la incorporación de Sanitas y las suscripciones ya firmadas con a...
