Métodos bayesianos para caracterizar tumores cerebrales
Actualmente, la técnica de imagen por resonancia magnética (IRM) se emplea para la diagnosis y la gradación in vivo de tumores cerebrales. Esta proporciona información de gran valor a los cirujanos a la hora de programar la eliminación del tumor y, además, facilita el seguimiento de la respuesta al tratamiento. Sin embargo, en algunos casos la precisión diagnóstica es aún muy limitada como, por ejemplo, en pacientes con gliomas malignos. En estos casos es principalmente donde la espectroscopía de resonancia magnética (ERM) y la espectroscopía e imagen de resonancia magnética (EIRM) desempeñan un papel muy importante. Los espectros de RM (de la ERM y la EIRM) proporcionan información bioquímica muy útil a partir de la que se puede obtener firmas metabolómicas precisas. Dada la gran cantidad de información contenida en la señal de RM y las dificultades que tienen muchas veces los médicos para interpretar estos datos correctamente, generalmente se emplean técnicas de reconocimiento de patrones para su análisis, un método que ha demostrado ser muy eficaz a la hora de mejorar la precisión diagnóstica. Sin embargo, aún hay margen para mejorar los métodos actuales de reconocimiento de patrones para que estos puedan ayudar con los casos más complejos y proporcionar resultados más precisos. Los investigadores del proyecto financiado por la Unión Europea BAYESIANMULTIMODALMR (Multimodal analysis of MR data using Bayesian methods) desarrollaron un método que emplea técnicas de reconocimiento de patrones para combinar datos obtenidos por la IRM y la EIRM. Concretamente, estos lograron optimizar el método de factorización no negativa de matrices (FNM) para la identificación de tumores en neurooncología gracias al empleo de conocimientos previos derivados de la información anatómica del tumor proporcionada por la IRM. La metodología desarrollada por el equipo para la segmentación de tumores cerebrales permite realizar análisis independientes de pacientes afectados, lo que significa que esta técnica impide que se produzca contaminación debido a solapes interespecíficos. Además, este método permite emplear únicamente regiones parciales, de manera que las áreas de mayor incertidumbre son excluidas durante la segmentación inicial. La evaluación con datos de ratones con tumores cerebrales demostró la idoneidad de incluir la información de la IRM en la fuente de extracción de datos de la EIRM. Los investigadores también desarrollaron un método basado en la FNM bayesiana para seleccionar de manera automática fuentes relevantes de información empleando un algoritmo de análisis exhaustivo. Esta estrategia ayuda a eliminar datos redundantes y duplicados. Para evaluar y validar los resultados de este método, el equipo empleó datos simulados y reales recopilados por el proyecto europeo INTERPRET. El desarrollo de un método para extraer una fuente de señales con sentido que puede ser empleada para la clasificación del tumor constituyó otro logro importante del proyecto. Estas señales proporcionan información tanto del tejido sano y de la respuesta del tumor cerebral a la terapia como de tumores cerebrales no tratados o refractarios. Las imágenes nosológicas generadas demostraron la validez de este método para la clasificación del tumor y la determinación de la respuesta del tumor a la terapia. Los descubrimientos del proyecto fueron difundidos ampliamente mediante charlas en simposios de gran prestigio y publicaciones en revistas científicas internacionales, dando lugar a un total de trece comunicaciones y artículos científicos revisados por pares. La implementación de los métodos desarrollados por el proyecto permitirá la combinación de datos de distintas modalidades de técnica de imagen en aras de favorecer una mejor diagnosis de la enfermedad, una gradación precisa de los tumores cerebrales y un seguimiento eficaz de los pacientes. Es más, este método también podría ser empleado para el diagnóstico de otras enfermedades neurológicas de difícil detección.
Palabras clave
Métodos bayesianos, tumores cerebrales, IRM, espectroscopía, BAYESIANMULTIMODALMR
