fotonica-tecnalia

Nuevas técnicas fotónicas al servicio del paciente: el diagnóstico del futuro

Compártelo:

El desarrollo de la fotónica está avanzando a pasos agigantados en los últimos años.  Se esperan grandes cambios y un alto impacto en la sociedad para el año 2030.

Desde proporcionar diagnóstico automático en las enfermedades con mayor incidencia, gestión inteligente de los transportes y los accidentes, optimizar la eficiencia en los consumos energéticos hasta mejorar la calidad de la vida urbana creando entornos más seguros y productivos.

Con la plataforma Photonics21 la visión de futuro es clara: para el año 2030 la atención médica debe ser rápida, precisa y eficiente en costes. Para ello, las nuevas técnicas y aplicaciones deben permitir el diagnóstico temprano y el tratamiento personalizado dirigido, y poder ser aplicadas de forma instantánea y no invasiva en el punto de atención al paciente. La Comisión Europea comparte esta visión y está promoviendo el desarrollo de estas soluciones en el programa H2020. El interés se encuentra en aquellas enfermedades asociadas a la edad o al estilo de vida, como las cardiovasculares, oculares, osteoarticulares o el cáncer.

Las técnicas de diagnóstico convencionales (ultrasonidos, RMI, TAC, PET, etc.) permiten realizar una evaluación macroscópica localizada de un órgano o una zona del cuerpo. En presencia de una lesión tumoral, el procedimiento habitual consiste en realizar una biopsia y esperar al análisis anatomopatológico para confirmar el diagnóstico. Este procedimiento es invasivo y tiene un alto coste psicológico en el paciente, ya que el tiempo de espera es del orden de semanas.

Durante los últimos años, se han creado nuevas técnicas de diagnóstico por imagen que hacen la visión de Photonics21 posible. El desarrollo de nuevos dispositivos se basa en enfoques multimodales que combinen diferentes tecnologías fotónicas con técnicas convencionales. Por ejemplo, en el diagnóstico de cáncer para la detección y diagnóstico temprano de lesiones en tiempo real: combinado con láseres de alta precisión que permitan eliminar el tejido tumoral en el mismo tiempo de intervención, completaría el círculo de diagnóstico y tratamiento personalizado.

Algunas de estas modalidades de imagen, como la microscopía confocal (RCM), la tomografía de coherencia óptica (OCT) o la tomografía multi-fotón, permiten obtener imágenes microscópicas. Estas imágenes pueden ofrecer información tanto estructural como funcional de los tejidos, donde se aprecian las alteraciones del tejido tumoral respecto al sano, ya sea porque la arquitectura del tejido cambia, se generan nuevas estructuras o se aprecian cambios a nivel celular.

A pesar de los progresos, el procesado de imagen y señal en fotónica suele estar ligado a soluciones industriales. Sin embargo, con el auge del big data y el deep learning está tendencia está cambiando de manera drástica en los últimos años, especialmente en el sector médico. Por un lado, los sistemas de salud y los hospitales privados han invertido en la digitalización de sus datos y pruebas clínicas a distintos niveles. Esto permite aplicar algoritmos de big data con el objetivo de mejorar y acelerar el acceso a los datos, y lo que es más importante, inferir nuevo conocimiento y conclusiones a partir de los datos disponibles. Por otro lado, los algoritmos de deep learning están demostrado tener tasas de precisión en diagnostico automático comparables a un clínico experto (y en algunos casos superior).

El futuro del software médico de apoyo al diagnóstico (sistemas CAD) reside en los algoritmos de deep learning. Este mercado estaba valorado en 25 millones de dólares en 2017 y se espera que alcance cerca de los 300 millones de dólares en 2024, lo que implica una tasa de crecimiento (GAGR) alrededor del 46%. Estos datos se ven reforzados por el aumento del número de patentes registradas en 2017 y 2018 de dispositivos cuyo software hace uso de algoritmos de deep learning.

Desde el punto de vista de la visión artificial, el impacto va más allá de la mejora en los valores de precisión en tareas de clasificación (diagnostico) y segmentación (delimitación). La implementación de este tipo de técnicas avanzadas de procesado de imagen facilitará la adopción de nuevas técnicas de diagnóstico por imagen por parte de los clínicos (usuarios finales) y reducirá la curva de aprendizaje. Enfrentarse a una nueva modalidad de imagen diferente a las habituales genera un rechazo inicial debido a que hay que aprender a interpretarla. Haciendo uso de técnicas de procesado de imagen como deep learning, la interpretación de las imágenes se puede realizar de forma automática. Después del procesado, se pueden extraer una serie de parámetros clínicos validados que son los que se presentan en un software de ayuda al diagnóstico (CAD) para ayudar a la toma de decisiones en tiempo de diagnóstico o tratamiento. Coloquialmente, se puede decir que se presenta una visión de realidad aumentada sobre las nuevas imágenes.

La adopción de sistemas CAD va a ser cada vez más común. Los sistemas antiguos no eran capaces de proporcionar la sensibilidad y especificidad suficiente en un entorno médico, pero debido a la revolución del deep learning esto ha cambiado. En un mundo digital e hiperconectado como el actual la implantación de sistemas CAD va más allá de la ayuda en la interpretación de imágenes médicas. El acceso a los historiales de los pacientes, datos de otras especialidades y datos de otros hospitales o sistemas de salud, permite crear sistemas CAD cada vez más complejos, que gestionan una cantidad masiva de información y por lo tanto generar resultados cada vez más fiables. Lo más interesante es la capacidad de inferir nuevas variables y nuevo conocimiento: la capacidad de computación de un humano está limitada a una cantidad de datos, pero la tecnología no tiene barreras.

La aparición de técnicas de imagen microscópicas como las anteriormente mencionadas (OCT, MPT, RCM) está propiciando el desarrollo de lo que se denomina “biopsia óptica”. La idea subyacente es que en el futuro se pueda realizar el diagnóstico en tiempo real de lesiones sospechosas a través de técnicas de imagen, y que no sea necesario extraer una muestra de tejido como en la biopsia convencional. Al ser un procedimiento no invasivo y en tiempo real, tendrá un gran impacto en varios sentidos; además de ahorrar costes, el trauma del paciente se verá disminuido. TECNALIA está trabajando en hacer posible la biopsia óptic con la iniciativa ASTONISH, en el diagnóstico de lesiones dermatológicas, y en PICCOLO, el cual coordinamos, en el diagnóstico de cáncer de colon a través de un endoscopio.

En el ámbito de la fotónica, tradicionalmente se ha visto que las técnicas inicialmente desarrolladas para entornos industriales pueden ser adoptadas también en otros ámbitos, siendo el de la salud uno de ellos. Aquí se han mencionado nuevas técnicas de imagen que han sido especialmente diseñadas para el ámbito médico, pero que son trasladables al ámbito industrial, donde cada vez tienen una aplicación mayor. Es el caso de tareas de inspección de calidad, donde las técnicas aplicadas convencionalmente únicamente proporcionan una inspección superficial de los materiales: se está demostrando la aplicabilidad de OCT para analizar características internas microscópicas con el objetivo de supervisar la calidad y la estructura de materiales cerámicos, polímeros, cristal, fibras, etc.

TECNALIA cuenta con gran experiencia en el sector industrial, y especialmente en tareas de inspección de calidad. Actualmente, se está trabajando en trasladar las técnicas microscópicas presentadas a aplicaciones industriales. Esta translación permitirá desarrollar soluciones innovadoras que se ajusten a las nuevas necesidades de los clientes, mejorando así su proceso productivo y la competitividad con otras empresas del sector.

Sobre Cristina López Saratxaga

Ingeniero en Informática por la Universidad de Deusto y Máster en Ingeniera de Sistemas y Control por la Universidad Nacional a Distancia y Complutense de Madrid. Forma parte de la plantilla de TECNALIA desde 2008, contando con gran experiencia en proyectos de financiación pública y especialmente en convocatorias Europeas.

Actualmente trabaja en el grupo de Visión por Computador, donde se ha especializado en fotónica y en el desarrollo de herramientas de ayuda al diagnóstico en el campo de la biomedicina aplicando técnicas de procesado de imagen y aprendizaje máquina.

Dejar un comentario

* Campos obligatorios