El análisis de cerumen con SERS y machine learning detecta cáncer de cabeza y cuello con alta precisión

El cáncer de cabeza y cuello (HNC) es el séptimo tipo de cáncer más común a nivel mundial, con aproximadamente 650.000 casos nuevos y 330.000 muertes cada año. A pesar de los avances diagnósticos, la mayoría de los casos se detectan en etapas avanzadas debido a síntomas sutiles y la complejidad anatómica de la región, que dificultan biopsias e imágenes diagnósticas. Por ello, existe una necesidad urgente de métodos de diagnóstico no invasivos, rápidos y económicos.

En este contexto, la espectroscopía Raman, especialmente su versión mejorada por superficie (SERS), permite obtener perfiles moleculares de fluidos corporales. Aunque técnicas previas usaron saliva, su fiabilidad se ve afectada por factores como dieta, higiene oral o tabaquismo. En cambio, el cerumen, por su estabilidad, protección ante contaminantes y proximidad anatómica a los sitios tumorales, emerge como un medio ideal para el diagnóstico del HNC.

¿Qué hicieron?

🔬 Análisis de cerumen con SERS

Se analizaron 13 muestras, en el Jena University Hospital, (6 controles sanos y 7 pacientes con HNC) mediante SERS, usando un láser de 785 nm y nanopilares de plata como sustrato. Se extrajeron 50–100 mg de cerumen por paciente, almacenados a −80 °C. Las muestras de pacientes con HNC mostraron diferencias en la intensidad relativa de picos SERS en las bandas de 1440 cm⁻¹ y 1208 cm⁻¹, asociadas a lípidos y proteínas. Esto refleja alteraciones metabólicas típicas del cáncer, como el aumento de lípidos y la degradación de proteínas.

🧪 Otros picos relevantes en las muestras HNC incluyeron:

• 1004 cm⁻¹ (Fenilalanina)

• 1131 cm⁻¹ (ácidos grasos saturados)

• 1325 y 1586 cm⁻¹ (estructuras lipídicas)1682 cm⁻¹ (estiramiento C=C in-phase)

Estas señales permiten construir un perfil espectral característico del cáncer.

🤖 Procesamiento con machine learning

Las muestras se analizaron con un microscopio Raman con láser de 785 nm. Se adquirieron aproximadamente 1238 espectros SERS tras procesamiento, incluyendo corrección de línea base, suavizado y normalización por área. Para el análisis de machine learning, los datos fueron recortados entre 950–1750 cm⁻¹, priorizando zonas relevantes para lípidos y proteínas, y se aplicaron técnicas de reducción dimensional (PCA, t-SNE, UMAP) para visualizar diferencias entre grupos. Posteriormente, se utilizó un modelo de PCA-LDA, que demostró una alta capacidad discriminativa entre muestras sanas y cancerosas.

🔍 Con 15 componentes principales, el modelo logró:

• Sensibilidad: 87%

• Especificidad: 87.3%

• Precisión general: 87.2%

• Área bajo la curva (AUC): 90%

¿Qué concluyeron?

A diferencia de la saliva, el cerumen no está afectado por variables externas como ayuno o microbiota oral. Esta estabilidad convierte a la cera del oído en un fluido de diagnóstico más confiable. Además, su recolección es sencilla y no invasiva, ideal para dispositivos portátiles en entornos clínicos limitados o remotos.

Este estudio fue el primero en usar SERS y ML en muestras clínicas de cerumen para HNC. Aunque la cohorte fue pequeña y mayoritariamente masculina, los resultados son prometedores. Se espera que estudios futuros incluyan muestras más diversas para mejorar la precisión y explorar si este enfoque puede discriminar etapas del cáncer.