La cirugía sigue siendo un paso inevitable en el tratamiento de la mayoría de los tumores cerebrales humanos. Muchos de estos tumores no son identificables a simple vista y se diferencian muy poco del tejido normal, lo que dificulta su identificación precisa por parte de los neurocirujanos. El reto consiste en extirpar la mayor cantidad posible de tejido patológico y la menor cantidad posible de tejido sano, para no comprometer la calidad de vida del paciente. Esto es especialmente importante cuando los tumores se infiltran en áreas circundantes, como el glioblastoma.

Investigadores del Centro de Investigación en Tecnologías Software y Sistemas Multimedia para la Sostenibilidad (CITSEM) de la Universidad Politécnica de Madrid, en colaboración con neurocirujanos del Hospital Universitario 12 de Octubre de Madrid, están tratando de encontrar una solución a este problema. Para ello, acaban de publicar una novedosa base de datos llamada SLIMBRAIN junto con un artículo publicado en la prestigiosa revista Scientific Data de Springer Nature. Esta base de datos utiliza una tecnología llamada imágenes hiperespectrales, cuyos datos se pueden utilizar para entrenar modelos basados en inteligencia artificial para delinear los tumores cerebrales en tiempo real. No obstante, antes de entender cómo funciona esta tecnología, es importante conocer el contexto de otras tecnologías empleadas por los neurocirujanos durante las intervenciones quirúrgicas.

Ilustración 1. Versión del  prototipo 3 de SLIMBRAIN utilizada durante la cirugía en el quirófano.

Las técnicas de imagen tradicionales, como la resonancia magnética y la ecografía, son muy valiosas, pero tienen limitaciones, como una resolución más baja o una aplicabilidad intraoperatoria limitada. Sin embargo, en las últimas décadas se ha utilizado un nuevo enfoque en la investigación médica: la imagen hiperespectral combinada con técnicas de inteligencia artificial.

Las imágenes hiperespectrales capturan una amplia gama de longitudes de onda más allá del espectro visible, que pueden incluir el infrarrojo y el ultravioleta. A diferencia de las imágenes RGB estándar, que utilizan tres canales de color similares a los que puede ver el ojo humano, las imágenes hiperespectrales pueden incluir docenas o cientos de bandas espectrales, cada una de las cuales representa una longitud de onda específica. Esta riqueza de datos permite un análisis más detallado de la composición de los tejidos, diferenciando entre los distintos tipos de tejidos en función de sus firmas espectrales únicas.

Si observamos la ilustración2, a la izquierda tenemos una imagen RGB creada sintéticamente a partir de todas las longitudes de onda capturadas por una de las cámaras hiperespectrales utilizadas para crear la base de datos SLIMBRAIN. Encima de ella hay tres cuadrados con píxeles de diferentes materiales en su interior. Al analizar espectralmente los píxeles del interior, podemos ver a la derecha la denominada firma espectral, es decir, el comportamiento de la luz a lo largo del espectro para los diferentes materiales. Como se puede observar, cada uno tiene un comportamiento diferente, lo que facilita su distinción y ofrece un gran potencial para diferenciar entre tejido sano y patológico.

Ilustración 2. Firmas espectrales (gráfico de la derecha) de la superficie del cerebro humano in vivo (imagen de la izquierda) capturadas con una cámara hiperespectral utilizada para la base de datos SLIMBRAIN.

En comparación con los métodos de imagen tradicionales, la imagen hiperespectral ofrece varias ventajas:

• No invasiva: a diferencia de otros métodos de imagen, la imagen hiperespectral no requiere agentes de contraste, lo que la hace más segura para los pacientes.
• No ionizante: no se emite radiación al tejido, lo que garantiza que no se dañe el ADN y, por lo tanto, se preserve el tejido.
• Retroalimentación en tiempo real: los cirujanos pueden recibir información inmediata durante la cirugía, lo que les ayuda a tomar decisiones precisas, si se utiliza el equipo adecuado.

Las imágenes hiperespectrales pueden obtener más información de la que podemos ver a simple vista, pero por sí solas no pueden delimitar un tumor en el cerebro. En este contexto, se necesita un proceso automatizado, que puede lograrse utilizando técnicas sofisticadas que tengan en cuenta las diferencias biológicas entre los pacientes. Por eso se están utilizando tecnologías basadas en la inteligencia artificial para entrenar modelos, que necesitan una gran cantidad de datos para diferenciar el tejido patológico del tejido sano en el cerebro expuesto. Sin embargo, hay una falta de datos hiperespectrales públicos de cerebros humanos in vivo y el conjunto de datos más común disponible fue capturado con una cámara hiperespectral incapaz de proporcionar información en tiempo real. Esa fue una de las motivaciones por las que los investigadores de la UPM desarrollaron la base de datos SLIMBRAIN, para proporcionar más datos e imágenes de múltiples cámaras, lo que permite el desarrollo de herramientas de diagnóstico en tiempo real.

Para la base de datos SLIMBRAIN se han utilizado dos cámaras hiperespectrales: una con mayor resolución, pero sin capacidad de vídeo (cámara “linescan”) y otra con menor resolución pero con capacidad de vídeo (cámara “snapshot”). La cámara “snapshot” puede proporcionar vídeo en directo de la delimitación del tumor al neurocirujano, lo que ofrece soluciones en tiempo real en comparación con la cámara “linescan”, que se utiliza para validar el rendimiento de ambas cámaras.

Ilustración 3. Sistemas de imagen y plataforma lineal motorizada utilizados para la versión 3 del prototipo SLIMBRAIN. Nota: «HS» significa imagen hiperespectral.

La base de datos SLIMBRAIN contiene datos que pueden utilizarse de diversas maneras. Por ejemplo, puede utilizarse para entrenar modelos de inteligencia artificial con más de 1 millón de píxeles HS, etiquetados por neurocirujanos, para reconstruir escenas en 3D o para visualizar imágenes cerebrales RGB con diferentes patologías. Con los modelos de inteligencia artificial, es posible clasificar diferentes tejidos cerebrales a partir de las imágenes hiperespectrales. Estas clasificaciones suelen ilustrarse con una imagen en color para identificar los diferentes tejidos. Sin embargo, gracias a la cámara hiperespectral instantánea, es posible crear clasificaciones en tiempo real de los tejidos cerebrales.

El vídeo muestra a la izquierda un vídeo hiperespectral capturado con la cámara instantánea, mientras que a la derecha el mismo vídeo está clasificado por un modelo de inteligencia artificial con una asignación de colores específica: verde, azul y rosa para los tejidos sanos, los vasos sanguíneos y las meninges, respectivamente. Cabe señalar que, en este ejemplo, el paciente padecía un aneurisma, por lo que no hay ningún tumor presente en la superficie.

Los neurocirujanos suelen basarse en resonancias magnéticas preoperatorias, es decir, imágenes detalladas tomadas antes de comenzar la cirugía. Estas resonancias son extremadamente útiles, pero hay un gran problema: el cerebro no permanece exactamente en el mismo lugar después de abrir el cráneo. Este fenómeno se denomina desplazamiento cerebral y se refiere al movimiento o deformación natural del cerebro que se produce durante la cirugía después de retirar parte del cráneo. Estos cambios significan que la estructura del cerebro puede desplazarse varios milímetros, o incluso más, lo que puede no parecer mucho, pero en la cirugía cerebral es una gran cantidad. Esto puede significar que la resonancia magnética ya no coincida con la posición real del cerebro durante la cirugía.

Para superar esto, se necesitan sistemas de imagen que funcionen en tiempo real, durante la cirugía, y que proporcionen una comprensión tridimensional del estado actual del cerebro. Sin embargo, las imágenes hiperespectrales por sí solas son solo superficiales y bidimensionales. Por eso es fundamental disponer de información tridimensional, y esa es otra razón por la que la base de datos SLIMBRAIN ofrece dicha información tridimensional a través de sensores de profundidad, que miden la distancia a la que se encuentran las áreas del sensor. Esto es lo que diferencia a la base de datos SLIMBRAIN de otros conjuntos de datos públicos. Además, al combinar las imágenes hiperespectrales con las tecnologías de detección de profundidad, es posible generar visualizaciones tridimensionales similares al ejemplo que se muestra a continuación.

La resonancia magnética se utiliza habitualmente durante la neurocirugía para guiar a los cirujanos. Proporciona un mapa detallado del cerebro antes de comenzar la cirugía. Al combinar los datos de clasificación en tiempo real de los datos hiperespectrales con los datos estructurales de las imágenes 3D en profundidad y las resonancias magnéticas, sería posible actualizar el mapa de la resonancia magnética durante la cirugía para tener en cuenta el movimiento del cerebro; reconstruir un modelo 3D de la superficie cerebral que refleje su forma y estado actuales; y proporcionar a los neurocirujanos una herramienta de navegación dinámica mucho más precisa que una imagen estática.

Imagina que tu resonancia magnética es tu plan de viaje detallado. Pero si un desprendimiento bloquea la carretera (desplazamiento cerebral), necesitas actualizaciones GPS en tiempo real para cambiar de ruta de forma segura. Aquí es donde la imagen hiperespectral + la imagen 3D + la alineación de la resonancia magnética podrían ofrecer una herramienta de enorme potencial para segmentar tumores cerebrales in vivo.

Acceder a la base de datos SLIMBRAIN

Para acceder a la base de datos SLIMBRAIN, debe rellenar, aceptar y firmar el Acuerdo de uso de datos o “Data Usage Agreement” (DUA). Utilice el botón rojo a la derecha “Acceso al fichero” y en “Opciones de descarga” haga click en “Adobe PDF”. Siga las siguientes instrucciones para solicitar acceso:

1. Descargue la última versión del DUA adjunto en este correo electrónico.
2. Edite el DUA para incluir:
   1. Los datos de su institución dentro del resaltado amarillo en la página 1, así como en la página 6 (las últimas tres tablas, incluidas las tablas de la institución receptora y el científico receptor).
   2. Rellene el formulario de acceso a los datos en las páginas 8 y 9. Por favor, proporcione toda la información posible para evitar retrasos en su aprobación, tanto en el formulario «Título del proyecto» como en «Pregunta de investigación». Le rogamos que lea atentamente todo lo que se le solicita.
3. Envíe el DUA editado cuando esté listo.
4. Evaluaremos su solicitud y, si es aceptada, recibirá un correo electrónico de confirmación con los pasos necesarios para acceder a los datos.

El proceso para firmar el DUA y darle acceso a la base de datos SLIMBRAIN puede demorarse semanas o meses. Hacemos todo lo posible para agilizar todas las solicitudes.

Puede solicitar el acceso a la base de datos SLIMBRAIN y descargar el DUA a través de los siguientes enlaces:

Repositorio público e-cienciaDatos con todos los archivos en 6 carpetas .zip diferentes

Sitio web de la base de datos SLIMBRAIN con herramientas de búsqueda para filtrar los datos con más de 20 filtros