El cáncer de piel se ha convertido en un problema de salud pública significativo, siendo el tipo de cáncer más común en Estados Unidos y en el mundo. En 2024, se diagnosticaron aproximadamente 1.5 millones de nuevos casos a nivel global, de los cuales cerca de 340,000 fueron melanomas. Además, los cánceres de piel no melanoma, como el carcinoma basocelular (BCC) y el carcinoma de células escamosas (SCC), suman alrededor de 5.4 millones de diagnósticos anuales solo en EE. UU.
La detección temprana es vital para el tratamiento efectivo del cáncer de piel. Sin embargo, diferenciar entre lesiones cancerosas y crecimientos benignos o precoces puede ser complicado, ya que muchas de estas lesiones presentan características similares. Aunque la biopsia sigue siendo el estándar de oro para el diagnóstico, este procedimiento es invasivo, costoso y puede llevar a la extracción de tejido que resulta ser benigno.
Una nueva esperanza en la detección del cáncer de piel
Investigadores de la Universidad Atlantic de Florida están explorando una alternativa menos invasiva para la detección del cáncer de piel. Utilizando la espectroscopia Raman, una técnica que analiza cómo la luz se dispersa al interactuar con las moléculas en los tejidos, los científicos pueden obtener información sobre la composición química de la piel sin necesidad de realizar una biopsia.
Andrew Terentis, Ph.D., profesor y presidente del Departamento de Química y Bioquímica en la universidad, señala que "la promesa de esta tecnología es que podría ofrecer a los clínicos una forma de examinar una lesión cutánea sin tener que remover tejido de inmediato". Al combinar la información molecular proporcionada por la espectroscopia Raman con técnicas de aprendizaje automático, los investigadores están comenzando a identificar diferencias sutiles en la química del tejido que pueden ayudar a distinguir entre piel normal y cancerosa.
Resultados prometedores en la investigación
Para validar su enfoque, el equipo utilizó un sistema de espectroscopia Raman móvil, equipado con un láser de diodo de 785 nanómetros y una sonda manual. Analizaron más de 50 muestras clínicas ex vivo, que incluían BCC, SCC y piel normal, generando cerca de 1,000 espectros Raman. A través de diversas metodologías de aprendizaje automático, evaluaron la precisión con la que los datos espectrales podían diferenciar entre los tres tipos de tejido.
Los resultados, publicados en la revista Proceedings of SPIE, mostraron que varios enfoques de aprendizaje automático lograron identificar patrones en los espectros Raman que diferencian la piel normal del tejido canceroso. Los clasificadores de vecinos más cercanos y de máquinas de soporte vectorial alcanzaron una precisión general de aproximadamente 84%. En particular, el clasificador de máquinas de soporte vectorial mostró una sensibilidad del 78.7% y una especificidad del 88.6%.
El futuro de la detección no invasiva
A pesar de que los resultados son preliminares, Terentis afirma que "apuntan hacia un futuro en el que una medición rápida y no invasiva podría ayudar a guiar decisiones clínicas y potencialmente reducir biopsias innecesarias". Los investigadores planean realizar estudios más amplios y optimizar los modelos de aprendizaje automático, explorando enfoques más avanzados, como las redes neuronales profundas, que podrían mejorar el rendimiento diagnóstico.
"La espectroscopia Raman nos proporciona una gran cantidad de información molecular, pero el desafío es enseñar a una computadora a reconocer cuáles patrones son más relevantes", concluye Terentis. Con más muestras y modelos mejor entrenados, creen que hay un potencial significativo para mejorar la precisión de este enfoque. El objetivo final es desarrollar una tecnología que no solo sea precisa, sino también práctica y accesible para su uso en entornos clínicos.
Este estudio resalta cómo los avances en espectroscopia óptica y aprendizaje automático pueden ofrecer un nuevo camino hacia una evaluación más rápida y no invasiva del cáncer de piel, complementando los métodos de biopsia convencionales y ayudando a los clínicos a tomar decisiones más informadas sobre qué lesiones requieren una evaluación adicional.
Fuente: Información elaborada a partir de la publicación original.
