Feasibility of Diffuse Reflectance Spectroscopy for Distal Margin Assessment in Colorectal Cancer Surgery

Resumen Técnico: Viabilidad de la Espectroscopia de Reflectancia Difusa para la Evaluación del Margen Distal en la Cirugía de Cáncer Colorrectal

Planteamiento del Problema
En la cirugía de cáncer colorrectal, particularmente en tumores rectales, lograr un margen de resección distal (DRM) adecuado es crítico para la seguridad oncológica, al tiempo que se preserva la función del esfínter. Los métodos intraoperatorios actuales para evaluar el DRM presentan limitaciones significativas. El tatuaje, utilizado para marcar los límites del tumor preoperatoriamente, sufre de dispersión de la tinta y una baja precisión (tan baja como el 69%). El análisis de sección congelada, el estándar de oro actual, consume mucho tiempo, puede omitir la propagación distal del tumor debido a la fragmentación de la lesión tras la quimiorradiación y depende en gran medida de la preferencia del cirujano. Además, los procedimientos laparoscópicos y asistidos por robot carecen de retroalimentación táctil, lo que dificulta la localización de los límites distales del tumor. Existe la necesidad de un sistema de guía en tiempo real y sin contacto que pueda distinguir rápidamente el tejido tumoral del tejido sano para ayudar a los cirujanos a determinar el nivel de transección óptimo.

Metodología
Este estudio empleó un diseño prospectivo, ex vivo, que involucró a 86 pacientes con cáncer colorrectal (T3 o superior) en el Instituto del Cáncer de los Países Bajos.

• Adquisición de Datos: Se utilizó un sistema de Espectroscopia de Reflectancia Difusa (DRS) de banda ancha (400–1600 nm) que utiliza una fuente de luz láser y dos espectrómetros. A diferencia de los sistemas tradicionales basados en puntos, esta configuración operaba de forma continua, capturando de 5 a 8 espectros por segundo. Las mediciones se realizaron en especímenes recién extraídos inmediatamente después de su remoción.
  • Mediciones de Tumor: Realizadas sobre la ubicación macroscópica del tumor.
  • Mediciones de No-Tumor: Realizadas en la pared del colon/recto sana y en tejido adiposo a al menos 1 cm de distancia del tumor.
  • Volumen: Se recolectaron un total de 39,741 espectros (22,451 de no-tumor, 17,290 de tumor).
• Verdad de Campo (Ground Truth): Las etiquetas de tejido se asignaron basándose en el análisis histopatológico. Los espectros se etiquetaron como "tumor colorrectal" si el tejido tumoral estaba presente en la ubicación de la medición (independientemente de la profundidad) y como "no-tumor" en caso contrario.
• Preprocesamiento de Datos: Los espectros se calibraron frente a referencias de oscuridad y blanco, se unieron para crear un rango continuo de 400–1600 nm (356 bandas) y se normalizaron mediante la Variación de la Norma Estándar (SNV) para corregir las variaciones de intensidad.
• Pipeline de Aprendizaje Automático:
  • Selección de Características: Se evaluaron cinco estrategias: (A) Espectros completos, (B) Primera derivada de los espectros, (C) Regresión LASSO, (D) Análisis Discriminante Lineal (LDA) y (E) Agrupamiento de bandas espectrales mediante k-means.
  • Clasificadores: Se probaron cinco modelos: SVM Lineal, SVM Polinomial, SVM de Función de Base Radial (RBF), Perceptrón Multicapa (MLP) y Random Forest.
  • Estrategia de Entrenamiento: Los datos se dividieron por paciente (80% entrenamiento/validación, 20% prueba) para evitar la fuga de datos (leakage). Se utilizó la Técnica de Sobremuestreo de la Minoría Sintética (SMOTE) para equilibrar las clases. La optimización de hiperparámetros (búsqueda de cuadrícula para $C$ y $\gamma$) se realizó a través de diez iteraciones con diferentes divisiones de pacientes para asegurar la robustez.
• Prueba de Concepto: El modelo optimizado final se probó en tres especímenes frescos. Las mediciones se realizaron linealmente a través del límite del tumor, proporcionando retroalimentación en tiempo real mediante una señal audible (cambio de tono) que indicaba el tipo de tejido predicho. El límite predicho se marcó con una sutura y se comparó con el borde macroscópico del tumor.

Resultos Clave

• Desempeño del Modelo: La configuración óptima utilizó la primera derivada de los espectros como características de entrada combinada con una Máquina de Vectores de Soporte (SVM) de RBF.
  • Coeficiente de Correlación de Matthews (MCC): 0.820 ± 0.015.
  • Sensibilidad: 0.888 ± 0.015.
  • Especificidad: 0.928 ± 0.028.
  • AUROC: 0.95.
• Análisis de Características: El uso de la primera derivada superó consistentemente a otros métodos de selección de características (incluyendo espectros completos y k-means) en la mayoría de los clasificadores, probablemente debido a la reducción de ruido y la mejora de las variaciones espectrales sutiles.
• Optimización de Hiperparámetros: El mejor desempeño se logró con $C=1$ y $\gamma=10$. El estudio observó que, si bien el punto de operación por defecto no coincidía con la especificidad de la sección congelada (100%), el ajuste del umbral de clasificación permitió que el modelo DRS alcanzara una especificidad de 0.95 manteniendo la misma sensibilidad que la sección congelada (0.85).
• Validación Prospectiva: En la prueba de concepto realizada en especímenes frescos, el modelo identificó con éxito el límite del tumor con alta precisión, demostrando la viabilidad de la detección en tiempo real a pesar de la falta de retroalimentación táctil.

Significancia y Reivindicaciones
Los autores afirman que este estudio proporciona una prueba de concepto prospectiva que demuestra la viabilidad de utilizar la DRS combinada con el aprendizaje automático para distinguir regiones de tumor de no-tumor en la cirugía de cáncer colorrectal.

• Utilidad Clínica: El sistema ofrece una solución potencial para la guía intraoperatoria en tiempo real, permitiendo a los cirujanos equilibrar la seguridad oncológica con la preservación del esfínter, particularmente en tumores rectales bajos donde la precisión milimétrica es vital.
• Ventajas sobre los Estándares Actuales: A diferencia de las secciones congeladas, la DRS proporciona resultados casi instantáneos sin necesidad de remover tejido o usar agentes de contraste. A diferencia del tatuaje, no sufre de la dispersión de la tinta.
• Robustez: El estudio destaca que el modelo funcionó bien incluso ante la presencia de heterogeneidad tisular (por ejemplo, mezcla de tumor y fibrosis tras la terapia neoadyuvante), un desafío común en el cáncer colorrectal.
• Direcciones Futuras: Los autores declaran modestamente que, si bien los resultados actuales son prometedores, el trabajo futuro debe centrarse en la validación prospectiva en nuevos pacientes durante la cirugía real. También identifican la necesidad de explorar diseños de sondas con una penetración más profunda para detectar mejor tumores situados más allá de la profundidad de muestreo actual de 1–2 mm, particularmente para tumores T2 o en escenarios donde el tumor se extiende más allá de la zona de muestreo inmediata.

El artículo concluye que la determinación rápida del margen distal intraoperatorio es una posibilidad utilizando esta tecnología, pero enfatiza que se requiere una validación adicional antes de su implementación clínica.