La espectroscopia Raman y el aprendizaje automático en el diagnóstico del cáncer de mama

Área de la Ciencia:

• Ingeniería biomédica
• Diagnóstico médico
• Biología computacional

Sus antecedentes:

• El cáncer de mama es el principal cáncer mundial en las mujeres, lo que requiere mejores métodos de diagnóstico.
• Los diagnósticos tradicionales como las mamografías y las biopsias pueden ser invasivos y carecen de precisión.
• La detección temprana mejora significativamente los resultados de las pacientes con cáncer de mama.

Objetivo del estudio:

• Revisar la eficacia de la combinación del aprendizaje automático (ML) y la espectroscopia de Raman (RS) para el diagnóstico del cáncer de mama.
• Evaluar la precisión diagnóstica, la sensibilidad y la especificidad de las técnicas ML-RS.
• Identificar los desafíos y las direcciones futuras para las aplicaciones de RS-ML en la detección del cáncer de mama.

Principales métodos:

• Revisión sistemática de la literatura utilizando la metodología PRISMA.
• Criterios de inclusión: estudios entre 2017 y 2024 con una sensibilidad/especificidad > 80%.
• Análisis de los algoritmos ML (SVM, CNN, LDA) aplicados a los datos RS de las muestras biológicas.

Principales resultados:

• Nueve estudios cumplieron con los criterios de inclusión, demostrando un alto rendimiento diagnóstico.
• Los métodos combinados RS-ML a menudo alcanzan una sensibilidad y una especificidad superiores al 90%.
• RS-ML es adaptable para el análisis de diversas muestras biológicas (tejidos, suero) y aplicaciones en tiempo real.

Conclusiones:

• La espectroscopia Raman combinada con el aprendizaje automático presenta un enfoque altamente preciso y no invasivo para el diagnóstico del cáncer de mama.
• La técnica RS-ML es prometedora para evaluaciones de cáncer intraoperatorias y en tiempo real.
• Se necesita más investigación para estructuras estandarizadas, validación multicéntrica y desarrollo de tecnología rentable.