Un marco híbrido que integra marcadores bioquímicos séricos y la espectroscopia FTIR con aprendizaje automático para la detección temprana del cáncer.

La detección temprana del cáncer sigue siendo un desafío clave en el diagnóstico clínico.

Este estudio exploró dos métodos de cribado precoz de cáncer basados en muestras sericas: uno basado en parámetros bioquímicos y otro basado en datos de espectroscopia infrarroja, y combinó ambos métodos con técnicas de aprendizaje automático. A través del análisis estadístico de 20 índices bioquímicos séricos de individuos sanos, pacientes con cáncer de pulmón y pacientes con cáncer colorrectal, y su combinación con el algoritmo SHapley Additive exPlanations (SHAP), se identificaron finalmente ocho parámetros bioquímicos como un panel de marcadores tumorales bioquímicos. El modelo de análisis discriminante lineal construido en base a esto tuvo una precisión de clasificación del 89,03 %, especificidad del 92,16 % y sensibilidad del 81,63 %.

Además, se utilizaron datos de espectroscopia infrarroja de muestras sanas, de cáncer de pulmón y de cáncer colorrectal, y después de un preprocesamiento con derivadas de segundo orden, se utilizó la estrategia de selección de características ReliefF-Successive Projections Algorithm propuesta para optimizar el rendimiento del modelo de clasificación. Entre los múltiples modelos de clasificación, Cubic-Support Vector Machine logró un desempeño perfecto con una precisión, especificidad y sensibilidad del 100 %.

Estos hallazgos demuestran el valor del análisis bioquímico y la espectroscopia vibracional en el cribado precoz de cáncer y proporcionan apoyo útil para el desarrollo de herramientas diagnósticas rápidas e invasivas.