Machine Learning-Driven Multimodal Spectroscopic Liquid Biopsy for Early Multicancer Detection

Resumen Técnico: Biopsia Líquida Espectroscópica Multimodal Impulsada por Aprendizaje Automático para la Detección Temprana de Múltiples Cánceres

Enunciado del Problema
El cáncer sigue siendo una de las principales causas de mortalidad a nivel mundial, con proyecciones que indican un aumento significativo de casos para 2050. La detección temprana es fundamental para mejorar las tasas de supervivencia y reducir la necesidad de tratamientos agresivos. Sin embargo, los métodos diagnósticos convencionales, como las biopsias de tejido y la imagenología médica, enfrentan limitaciones que incluyen su carácter invasivo, posibles complicaciones, la heterogeneidad tumoral y una sensibilidad reducida ante alteraciones bioquímicas en etapas tempranas. Si bien la biopsia líquida ofrece una alternativa mínimamente invasiva, muchos enfoques actuales se basan en biomarcadores únicos o modalidades espectroscópicas individuales, lo que puede no capturar los cambios bioquímicos sistémicos complejos asociados con la progresión del cáncer. Existe una necesidad de estrategias diagnósticas robustas, sin marcaje y escalables que puedan caracterizar holísticamente las alteraciones bioquímicas en fluidos biológicos.

Metodología
Los autores proponen un marco de biopsia líquida espectroscópica multimodal que integra tres técnicas espectroscópicas distintas con Aprendizaje Automático (ML) para detectar cánceres de mama y colorrectal.

• Adquisición de Datos: Se recolectaron muestras de suero de 100 pacientes con cáncer de mama, 100 pacientes con cáncer colorrectal y 100 controles sanos. Se aplicaron tres modalidades espectroscópicas:

  • Espectroscopía Infrarroja por Transformada de Fourier (FTIR): Realizada en suero liofilizado utilizando Reflectancia Total Atenuada (ATR) en el rango de 4000–650 cm⁻¹.
  • Espectroscopía Raman: Realizada en suero liofilizado utilizando un láser de 785 nm, capturando el rango de 30–3358 cm⁻¹.
  • Espectroscopía de Fluorescencia de Matriz de Excitación–Emisión (EEM): Realizada en suero diluido (1:125 en PBS) utilizando un espectrofluorómetro, generando matrices 2D (excitación de 250–520 nm; emisión de 270–750 nm).

• Preprocesamiento: Cada modalidad pasó por una tubería de preprocesamiento dedicada para eliminar artefactos (por ejemplo, deriva de la línea base, fondo de fluorescencia, dispersión):

  • FTIR: Se evaluaron 2.880 combinaciones de tuberías; el flujo de trabajo seleccionado incluyó corrección de línea base polinómica, corrección de dispersión de Variante Normal Estándar (SNV), suavizado Savitzky–Golay y cálculo de la segunda derivada.
  • Raman: Restringido a la región de 600–1800 cm⁻¹, con corrección de línea base por Mínimos Cuadrados Asimétricos (ALS) y corrección de dispersión SNV.
  • EEM: Involucró la resta de blanco, enmascaramiento físico (eliminación de $\lambda_{em} < \lambda_{ex}$) y eliminación de la dispersión Rayleigh.

• Fusión de Características y Clasificación:

  • Fusión de Datos de Bajo Nivel (LLDF): Los vectores de características de las tres modalidades se concatenaron. Antes de la concatenación, las características sufrieron normalización de puntuación z y escalado por bloques (dividiendo por $d^{1/4}$, donde $d$ es la dimensión de la característica) para evitar el dominio de modalidades de alta dimensionalidad.
  • Modelo: Se entrenaron clasificadores XGBoost para distinguir a los pacientes con cáncer de los controles sanos.
  • Validación: Se utilizó validación cruzada estratificada de 10 pliegues. Se hizo cumplir el agrupamiento a nivel de paciente para evitar la fuga de datos cuando existían réplicas.
  • Configuraciones Experimentales: Se evaluaron siete configuraciones: tres unimodales (FTIR, Raman, EEM), tres bimodales (FTIR+Raman, FTIR+EEM, Raman+EEM) y una multimodal completa (FTIR+Raman+EEM).

Resultados Clave
El estudio evaluó el rendimiento utilizando ROC-AUC, precisión equilibrada, sensibilidad y especificidad.

• Rendimiento Unimodal: Las modalidades individuales lograron una alta discriminación.
  • Cáncer de Mama: Raman por sí solo logró el AUC más alto (0,999). FTIR y EEM también tuvieron un rendimiento sólido (AUC 0,979 y 0,982, respectivamente).
  • Cáncer Colorrectal: Raman (AUC 0,983) y EEM (AUC 0,976) superaron a FTIR (AUC 0,961).
• Fusión Multimodal: La integración de modalidades generalmente mejoró la robustez y el equilibrio, aunque las configuraciones óptimas variaron según el tipo de cáncer.
  • Cáncer de Mama: Las combinaciones FTIR + Raman y Raman + EEM alcanzaron ambas un AUC de 0,997. La configuración multimodal completa (FTIR + Raman + EEM) logró la mayor sensibilidad (0,990 ± 0,030) con un AUC de 0,997, aunque con una variabilidad ligeramente mayor en la especificidad.
  • Cáncer Colorrectal: La configuración multimodal completa alcanzó el AUC más alto (0,994 ± 0,019) con sensibilidad equilibrada (0,959) y especificidad (0,957). La configuración bimodal FTIR + EEM proporcionó el resultado más estable con la mayor precisión equilibrada (0,961 ± 0,052) y especificidad (0,963 ± 0,080).
• Curvas de Aprendizaje: El análisis confirmó que los tamaños de cohorte disponibles fueron suficientes para un entrenamiento estable del modelo, con un rendimiento que se estabilizó rápidamente.

Significado y Afirmaciones
El artículo afirma que el marco propuesto demuestra la viabilidad de utilizar biopsia líquida espectroscópica multimodal para la detección temprana de múltiples cánceres. La contribución principal es la demostración de que fusionar modalidades espectroscópicas complementarias (FTIR, Raman y EEM) mediante fusión de datos de bajo nivel puede mejorar la robustez, la sensibilidad y la especificidad de los modelos diagnósticos basados en ML en comparación con los enfoques unimodales.

Los autores enfatizan que, si bien las modalidades individuales son efectivas, el enfoque multimodal proporciona un rendimiento general más equilibrado, particularmente en la detección de cáncer colorrectal, donde el enfoque trimodal arrojó los resultados más consistentes. El estudio sugiere que este enfoque aprovecha la naturaleza complementaria de las técnicas: FTIR captura huellas dactilares moleculares globales, Raman proporciona información vibracional específica y EEM detecta fluoróforos endógenos y alteraciones metabólicas.

Los autores mantienen un tono modesto respecto a la implementación clínica, reconociendo que el tamaño de la cohorte es moderado y que es necesaria una validación externa en cohortes independientes y multicéntricas para evaluar la generalización. Posicionan este trabajo como un paso hacia el desarrollo de plataformas de biopsia líquida robustas y basadas en datos, en lugar de una herramienta clínica finalizada. Se identifica el trabajo futuro como centrado en estudios más amplios, tipos adicionales de cáncer y estrategias de fusión avanzadas.