Imagen intraoperatoria de biopsias para evaluar el riesgo en el cáncer de pulmón

Ver las huellas ocultas del cáncer

Los cirujanos que tratan el cáncer de pulmón se enfrentan a un rompecabezas de alto riesgo: durante la operación deben localizar rápidamente pequeños tumores y sus bordes exactos, pero las herramientas actuales pueden pasar por alto zonas peligrosas o llevar demasiado tiempo. Este estudio presenta una nueva forma de “ver” el cáncer fijándose no en las células tumorales sino en el andamiaje microscópico que las rodea. Combinando una microscopía láser avanzada con inteligencia artificial, los autores muestran que es posible detectar el cáncer de pulmón y sus límites de forma rápida y con notable precisión.

El tejido de soporte que cuenta una historia

Nuéstras pulmones se sostienen mediante una red de fibras proteicas llamada matriz extracelular. Dos protagonistas clave, el colágeno y la elastina, confieren al tejido pulmonar fuerza y elasticidad. Cuando se desarrolla un cáncer, estas fibras se remodelan: cambian su disposición, su densidad y cómo interactúan entre sí. Los investigadores razonaron que estos sutiles cambios estructurales podrían servir como huellas fiables del cáncer, incluso cuando los tumores son difíciles de ver con cámaras quirúrgicas convencionales.

Un microscopio láser suave en el quirófano

El equipo construyó un microscopio multiphotón personalizado, un tipo de sistema láser que puede penetrar cientos de micrómetros en tejido fresco sin necesidad de añadir colorantes. Con una única configuración de láser en el infrarrojo cercano, registra dos señales a la vez: una que resalta el colágeno y otra que resalta la elastina. Esta imagen dual produce vistas 3D nítidas de la red de fibras del pulmón en un par de minutos por sitio, lo bastante rápido como para ser práctico durante una cirugía. El método se probó en tejido obtenido de 222 pacientes con adenocarcinoma de pulmón, capturando cientos de pequeñas pilas de imágenes 3D tanto de regiones tumorales como normales.

Enseñar a la IA a leer el código de las fibras

En lugar de valorar estas imágenes a simple vista, los científicos midieron cada pequeño elemento volumétrico, o voxel, en varias características: cuánto están alineadas las fibras, cuán onduladas parecen, qué densidad ocupan, qué grosor tienen las hebras de elastina y cuán similares son en posición y dirección las fibras de colágeno y elastina cercanas. Introdujeron un nuevo “coeficiente de similitud” que aumenta cuando colágeno y elastina están próximos y apuntan en la misma dirección. Usando aprendizaje no supervisado, agruparon millones de voxels en “vocabularios” de fibras recurrentes que capturan patrones estructurales comunes. Un clasificador de aprendizaje automático estándar aprendió entonces cómo difiere la mezcla de estos vocabularios entre tejido normal y canceroso.

De patrones invisibles a mapas de riesgo

Cuando este marco se evaluó en un conjunto independiente de muestras pulmonares, identificó el cáncer con una sensibilidad de aproximadamente el 99 %, lo que significa que casi nunca pasó por alto un tumor. Los investigadores fueron más allá y crearon un “índice de riesgo de cáncer” para cada vocabulario de fibras, indicando si tiende a aparecer en tejido sano o enfermo. Al colorear cada voxel según este índice, generaron mapas de riesgo intuitivos: las regiones tumorales brillan en tonos cálidos, las áreas normales en tonos fríos y las zonas limítrofes muestran una mezcla. Estos mapas delinearon con éxito la frontera tumor‑normal en especímenes humanos y mostraron las mismas tendencias de remodelado en un modelo de ratón estudiado en vivo, lo que sugiere que el enfoque podría traducirse en orientación en tiempo real en el quirófano.

Qué podría significar esto para los pacientes

En lugar de esperar a la patología por congelación, los cirujanos podrían algún día explorar áreas pulmonares sospechosas con una pequeña sonda láser y ver al instante dónde es más probable que se esconda el cáncer, tal como lo revela la reorganización de colágeno y elastina a su alrededor. Este estudio demuestra que el andamiaje tumoral contiene una señal de riesgo fuerte y legible, y que la IA puede convertir esa señal en indicios visuales claros. Si se desarrollara como herramientas clínicas, este tipo de imagen podría aumentar la precisión de las biopsias, reducir reintervenciones y ayudar a garantizar que se extraiga el tejido peligroso preservando la máxima cantidad posible de pulmón sano.

Cita: Qian, S., Yang, L., Meng, J. et al. Intraoperative biopsy imaging of lung cancer risk. Commun Med 6, 143 (2026). https://doi.org/10.1038/s43856-026-01406-y

Palabras clave: cirugía de cáncer de pulmón, imagen intraoperatoria, matriz extracelular, microscopía multiphotónica, diagnóstico con inteligencia artificial