Trabajo de diploma: “El origen

estocástico-fractal del modelo de Gompertz

en crecimiento tumoral”.

Autor: Orlando Regalado Cerdeiras.

Tutores:
Dra. Elena Izquierdo Kulich
Dr. José Manuel Nieto Villar

Colaboradora:
Dra. Margarita Amigó de Quesada

La Habana, Junio 2012

Dedicatoria: A mi padre, con quien pretendo llevarme bien a partir de
ahora. A mi madre y hermana para que no se pongan celosas.
 Agradecimientos:
A mi familia por su apoyo.
A mis tutores por un control riguroso de todas las variables.
A la doctora Margarita Amigó por su valiosa colaboración.
A Susana por su valioso asesoramiento en cuestiones estadísticas.
Resumen: Mediante la aplicación del formalismo estocástico basado en
la ecuación maestra se ha obtenido un modelo de Gompertz donde el
carácter fractal del sistema se toma en cuenta en la definición de sus
variables. Este modelo se aplicó en el estudio de carcinoma epidermoide
de cérvix, en pacientes en etapa clínica III, encontrándose que la
velocidad de crecimiento de los tumores disminuye con la edad de las
pacientes, lo cual está en correspondencia con lo encontrado en
estudios clínicos. El modelo obtenido permite establecer predicciones
dinámicas relacionadas con la velocidad de crecimiento del tumor a
partir de la caracterización morfológica de las imágenes
histopatológicas.
 Abstract: By means of applying the stochastic formalism based on
the master equation a Gomperz’s model was obtained, where the fractal
properties of the system are taken into account on the definition of its
variables. This model has been applied to study cervix carcinoma, on
clinical stage III patients, where it was found that tumor growth rate
decreases with patient´s age, which is in correspondence to findings on
clinical trials. The obtained model allows establishing dynamic
predictions involving tumor growth rate through morphologic
characterization of histopathological images.
Índice

Introducción 1
1. Antecedentes. Revisión bibliográfica 3
1.1 Definición de cáncer. Características morfológicas 3
1.2 Fundamentos de la geometría fractal 4
1.3 Modelos matemáticos para describir el crecimiento de
tumores 5
1.3.1 Modelos estadísticos 6
1.3.2 Modelos deterministas basados en la ecuación de
Gompertz 7
1.3.3 Modelos estocásticos 10
1.4 Dualismo estocástico – fractal. Posible origen de la función de
Gompertz 12
2. Modelo matemático para describir el crecimiento tumoral
gompertziano a partir de la morfología de los patrones celulares. 16
2.1 Obtención del modelo para describir la dinámica del número
de células totales. 16
2.2 Obtención del modelo mesoscópico adimensional 20
2.3 Obtención del modelo de Gompertz 22
2.4 Relación entre variables morfológicas 24
2.5 Comportamientos predichos por el modelo 25
3. Teoría versus resultados experimentales. Discusión 29
3.1 Materiales y métodos 29
3.2 Resultados experimentales obtenidos en el estudio de
carcinoma de cérvix 32
3.2.1 Distribución estadística del factor morfológico  32
3.2.2 Relación morfológica experimental 34
3.2.3 Comportamiento de la velocidad de crecimiento con
respecto a la edad de las pacientes 37
Conclusiones 40
Recomendaciones 40
Referencias 41
 Introducción

El cáncer es un conjunto de enfermedades caracterizadas por

proliferación celular descontrolada, invasión de otros tejidos, migración y
crecimiento a distancia o metástasis, que produce tumores malignos o masas
de tejido canceroso. Estos tumores crecen a expensas del tejido del hospedero
pudiendo producir diversas afectaciones que se expresan en forma de
síntomas en los pacientes. El diagnóstico de estas enfermedades está basado
fundamentalmente en la observación de las biopsias del tejido neoplásico y su
comparación con las del tejido sano correspondiente a la misma localización,
con lo cual se pueden establecer criterios cualitativos en cuanto al grado de
malignidad del tumor, cuya efectividad depende de la experiencia acumulada
en estudios clínicos y de la habilidad diagnóstica del patólogo. A partir de estos
criterios establecidos se selecciona la estrategia de terapia más adecuada, que
puede ser cirugía, radioterapia, quimioterapia entre otras, o la combinación de
varias de estas.
La modelación matemática del crecimiento tumoral constituye una
herramienta que puede utilizarse para enriquecer el diagnóstico con criterios
cuantitativos lo cual puede contribuir a la elección de las estrategias de terapia
óptimas e incluso a establecer teóricamente nuevas estrategias. En este
sentido, el modelo de Gompertz es una de las funciones empíricas más
versátiles para describir dicho crecimiento, la cual está caracterizada por la
disminución de la velocidad de crecimiento de un tumor hasta alcanzar el
estado estacionario, aunque su origen a nivel microscópico es un campo
abierto a la investigación.
Por otra parte es conocido que la geometría tisular tiene carácter fractal
lo cual debe ser considerado en la modelación, ya sea como una causa o como
una consecuencia del carácter aleatorio de los procesos que ocurren a nivel de
las células individuales.
Las consideraciones anteriores conllevan a formular la hipótesis de que
es posible obtener índices cuantitativos a partir de la morfología de los tumores,
que permitan predecir la dinámica del crecimiento tumoral en cada paciente
particular y de este modo enriquecer el diagnóstico.

1
 Para corroborar la hipótesis planteada se establece como objetivo
general obtener un modelo que permita establecer una relación entre la
morfología de los patrones celulares en tumores y la dinámica de su
crecimiento. Los objetivos específicos formulados para corroborar la hipótesis
planteada son:
1) Obtener un modelo de Gompertz mediante la aplicación del
formalismo estocástico basado en la ecuación maestra que considere el
carácter fractal del sistema en la definición de sus variables.
2) Aplicar el modelo obtenido en el estudio de tumores malignos
humanos y comprobar si los resultados obtenidos se corresponden con lo
reportado en estudios clínicos.
Este trabajo está conformado por cuatro capítulos. En el primer capítulo
de antecedentes y revisión bibliográfica se establece el marco teórico en el cual
se inserta este trabajo. En el segundo capítulo se obtiene el modelo
matemático, estableciéndose las predicciones teóricas del mismo. En el tercer
capítulo se relacionan las predicciones del modelo matemático con lo obtenido
experimentalmente discutiéndose este resultado. El cuarto y último capítulo
contienen las conclusiones y recomendaciones.

2
 1. Antecedentes. Revisión bibliográfica

En este capítulo se describen y analizan los modelos del crecimiento

tumoral que se presentan en la bibliografía consultada. En el primer epígrafe se
define el fenómeno objeto de la modelación en este trabajo. El segundo
epígrafe está destinado a la exposición de los conceptos fundamentales
relacionados con la geometría fractal. En el tercer epígrafe se clasifican los
modelos de crecimiento tumoral de acuerdo a las consideraciones establecidas
para su obtención y se describen sus aportes y limitaciones. En el cuarto y
último epígrafe se relacionan el carácter estocástico y fractal de los sistemas
tumorales con la función de Gompertz lo cual constituye el punto de partida
para la obtención del modelo matemático propuesto en el siguiente capítulo.

1.1 Definición de cáncer. Características morfológicas

Cáncer es un nombre genérico que agrupa a más de doscientos tipos

diferentes de enfermedades, las que tienen en común una proliferación
descontrolada de células mutadas [1]. La dinámica de los tejidos biológicos, en
general, y de los cancerosos en particular, depende de procesos bioquímicos
complejos a nivel de las células individuales que estimulan la mitosis o
reproducción celular e inhiben la apoptosis o muerte celular programada.
Cuando se produce un error en la secuencia de ADN y los mecanismos
reguladores como control del ciclo celular, apoptosis y acción del sistema
inmune fallan, las mutaciones se propagan descontroladamente provocando la
aparición de células cancerosas [1], donde se ha podido observar que el
tamaño de un tumor depende de la cantidad de células proliferantes [2]; [3].
El diagnóstico del cáncer se basa en la imagen histopatológica del
patrón celular que se observa en el tejido biológico de una localización
determinada y en los síntomas que presentan los pacientes, entre otros
factores clínicos [4].
La morfología de los patrones celulares presenta una geometría
compleja, resultando insuficiente un tratamiento matemático basado en la
consideración de la geometría euclidiana, por lo que resulta más apropiado el
empleo de la geometría fractal [5], [6].

3
 1.2 Fundamentos de la geometría fractal

La imagen histopatológica de un tejido biológico puede caracterizarse a

través de su dimensión fractal. [5], [6]. En este sentido, aunque los resultados
experimentales aún son insuficientes, estos parecen indicar que la dimensión
fractal del patrón celular tumoral es mayor que la del tejido sano
correspondiente a la misma localización. [7], [8], [9]. Esto tiene sentido, si se
considera que los tejidos neoplásicos tienen una mayor densidad celular que
los sanos debido al desbalance entre proliferación y muerte celular. Por otra
parte, los datos experimentales indican que el crecimiento de las células en el
espacio ocurre de acuerdo con una ley de potencia alométrica relacionada con
la dimensión fractal espacial [10], [11].
La dimensión es una medida de cuanto espacio ocupa un conjunto
cercano a cualquiera de sus puntos [12]. La dimensión fractal para un conjunto
F según Hausdorff se define como [12]:
H s  F   lim H s  F  (1.2.1)
 0

donde  es un intervalo de espacio.

Según la definición de Hausdorff, para la magnificación de un conjunto
con dimensión s es necesario multiplicar la medición H s por un factor s , lo
cual está definido tanto para dimensiones euclidianas (enteras) como fractales
(fraccionarias).
En general, la dimensión de un sólo conjunto provee poca información
sobre sus propiedades topológicas. Sin embargo, cualquier conjunto de
dimensión menor que la unidad está necesariamente tan esparcido que llega a
estar totalmente desconectado, o sea, que dos de sus puntos no caen en el
mismo componente conectado.
La dimensión de Hausdorff, a pesar de su carácter intuitivo y utilidad
matemática, es poco usada debido a que la mayoría de las veces la
complejidad de los sistemas impide su determinación, siendo necesario
emplear definiciones alternativas de dimensión.

Para establecer una definición de dimensión es fundamental la idea de la

medición a la escala  [12]. Para cada  , el conjunto se mide de modo que

4
se ignoren las irregularidades de tamaño menor que  , y se determina como
estas medidas se comportan cuando   0 .
Si existe una ley de potencia:
M   F   c  s (1.2.2)

y se aplica logaritmo a ambos lados de la ecuación (1.2.2 ):

log M   F   log c  s log  (1.2.3)

Entonces se define la dimensión s como:

s  lim logMlog  F  (1.2.4)

 0

Sea F un subconjunto no vacío acotado de R n

y sea N   F  el
número menor de conjuntos cuyo diámetro máximo es  y que pueden
abarcar a F. La dimensión fractal de conteo de caja o dimensión fractal de
capacidad se define como [12]:
log N   F 
dim B F  lim (1.2.5)
  0  log 

donde N   F  puede ser:

(i) el menor número de esferas de radio  que cubre F;
(ii) el menor número de cubos de lado  que cubre F;
Esta lista puede extenderse, estableciéndose la definición que más
conviene para una aplicación particular [12]. En el tratamiento de imágenes
histopatológicas de tejido tumoral se emplean programas que permiten calcular
la dimensión fractal por el método del conteo de caja, donde N   F  es el
número de píxeles negros en una imagen de  píxeles.

1.3 Modelos matemáticos para describir el crecimiento de tumores

El análisis morfológico del patrón celular es imprescindible en el

diagnóstico, siendo necesario además definir el grado de malignidad y la
agresividad del tumor para establecer la terapia. En este contexto la morfología
se cuantifica a través de la dimensión fractal, mientras que la agresividad se
relaciona con la velocidad de crecimiento que puede ser descrita teóricamente
mediante el empleo de modelos matemáticos. La modelación matemática de
los procesos relacionados con el cáncer permite relacionar cuantitativamente
determinadas variables, lo cual es valioso para enriquecer el diagnóstico de los
5
pacientes e incluso para estudiar in silico diferentes estrategias de terapia [7],
[13], [14], [15], [16].
A continuación se clasifican los diferentes modelos que se proponen en
la literatura consultada de acuerdo con el formalismo matemático empleado y
las consideraciones que se establecieron para su obtención. En este sentido,
los modelos fueron clasificados en estadísticos, deterministas y estocásticos,
donde cada uno presenta ventajas y limitaciones que serán discutidas a
continuación.

1.3.1 Modelos estadísticos

La fortaleza de los modelos estadísticos radica en que el
comportamiento experimental constituye el punto de partida para la obtención
del modelo, además de permitir realizar inferencias sobre la base del
comportamiento observado. Este tipo de modelo tiene la desventaja de
establecer correlaciones puramente empíricas, que no explican el por qué de la
fenomenología observada y sólo son válidos dentro del intervalo de valores de
las variables de entrada que se tomó para su obtención.
Debido a la complejidad de los sistemas biológicos, la mayoría de los
estudios clínicos se basan en buscar correlaciones entre factores clínicos, por
ejemplo, edad, tipo de cáncer, etc y la supervivencia y respuesta al tratamiento
de los pacientes [1], [9], [17], [18], [19], siendo este tipo de modelos hasta el
momento el más utilizado en el contexto médico.
Es importante señalar que, aún en los formalismos basados en otros
enfoques, resulta imprescindible el uso de métodos estadísticos para la
validación de las hipótesis y el ajuste de los parámetros definidos en los
modelos, los cuales no pueden definirse hasta el momento a través de
primeros principios, que constituyen aún una cuestión abierta en los sistemas
biológicos [1], [14].

6
 1.3.2 Modelos deterministas basados en la ecuación de Gompertz
En el enfoque determinista se parte de consideraciones con determinado
sentido físico para la obtención de modelos descriptivos del comportamiento
del sistema, que predicen como evolucionan temporalmente las variables que
describen a este. Desde el punto de vista laplaciano se establece que,
conocido el estado actual de un sistema, puede conocerse con toda certeza su
estado futuro.
El modelo de Gompertz es el más popular de los modelos deterministas
que se emplean para la modelación del crecimiento tumoral [1]. Es importante
señalar que, aunque el modelo de Gompertz se obtuvo de forma empírica, se
diferencia de los modelos estadísticos en que este se puede obtener
teóricamente a través de diferentes consideraciones relacionadas con la
fenomenología del proceso, mientras que los modelos estadísticos se
comportan como cajas negras [20].
La función de Gompertz pertenece a la familia de curvas sigmoidales y
es solución de una ecuación diferencial de la forma:
d ln n
  a ln n  b, (1.3.1)
dt
Donde los parámetros a y b son determinados empíricamente. Dicha
función refleja el efecto de la disminución de la velocidad de crecimiento del
tumor en el tiempo. En este sentido, se ha planteado que el efecto de
retroalimentación presente en la ley de Gompertz por el comportamiento
logarítmico típico, se debe a factores de inhibición bioquímicos liberados por las
células muertas, lo cual inhibe la proliferación y es responsable de la saturación
del crecimiento [21]. Por otra parte, la dependencia logarítmica observada se
puede considerar como un mecanismo de retroalimentación tal que, el sistema,
a cualquier tiempo, reordena la velocidad de crecimiento y la fracción de
células proliferantes de acuerdo con el logaritmo del número total de células
[22].
Este modelo se ha empleado para estudiar el efecto de diferentes
estrategias de terapias sobre el comportamiento de diferentes tipos de tumores
[7], [13], [14], [15], [16]. En este contexto se ha encontrado que en las terapias
que pueden describirse matemáticamente mediante funciones monótonas, más
efectivas a mayor concentración del agente quimioterapéutico, la estrategia

7
óptima es la aplicación constante de dicho agente, mientras que en aquellas
que exhiben un umbral superior a partir del cual disminuye su efecto
terapéutico, resulta más apropiado establecer los instantes de tiempo de
inyección del agente mediante el empleo de un algoritmo de síntesis de control
óptimo [13].
El modelo de Gompertz no resulta apropiado para describir el
comportamiento de la mortalidad debido al cáncer con la edad ya que la
velocidad de incremento exponencial de la mortalidad producida por el cáncer
con la edad es mayor que la velocidad de incremento exponencial de la
mortalidad debido a otros factores con la edad [23]. Sin embargo, esto no
implica en modo alguno que el crecimiento de los tumores individuales no
cumpla con un modelo de Gompertz.
Los resultados encontrados en estudios clínicos demuestran que el
comportamiento del cáncer de mama se puede describir a través del modelo de
Gompertz [24]. De particular interés resulta la distribución de probabilidad de
tipo lognormal para el parámetro b en la ecuación:

N  t   N 0 exp k 1  exp  bt    (1.3.2)

donde:

k  ln( NN0 )
(1.3.3)

para diferentes tumores mamarios.

En animales con tumores individuales de un mismo tipo histológico se ha
observado experimentalmente que, aunque b varía más ampliamente, N

también varía [24]. La variación del parámetro parece indicar que las
características individuales de cada caso influencian el crecimiento de un
mismo tipo de tumor, lo cual se manifiesta en la variabilidad de sólo uno de los
parámetros de Gompertz.
Por otra parte, se ha observado experimentalmente que existe un
crecimiento exponencial inicial (hasta 1–3 mm de diámetro) seguido de la fase
vascular de Gompertz [2],[14],[25].
El modelo de Gompertz para el número de células totales se ha obtenido
teóricamente mediante un enfoque netamente macroscópico basado en la
dinámica de la población celular en dos compartimentos [15]. El modelo resulta

8
en un sistema de 2 ecuaciones diferenciales que tiene solución analítica
exacta. Este modelo tiene asociada una función de transferencia inter-
compartimentos que describe el intercambio neto entre las células que
proliferan (P) y las células que no realizan mitosis (Q), donde se reportan los
parámetros asociados a la reproducción y a la muerte de las células [15]. El
crecimiento no perturbado se modela escogiendo la velocidad de intercambio
entre P y Q de modo que se obtenga el crecimiento de Gompertz empírico
establecido [26]. La velocidad de intercambio neto del tumor se considera
característica del mismo y su microambiente y, por lo tanto, representa la
respuesta acumulativa del tumor al suministro de oxígeno y nutrientes y la
comunicación intercelular. Este modelo se modifica para simular la terapia
antimitótica, prediciéndose que esta cambia la relación de proliferación P/
(P+Q), y disminuye la velocidad de transferencia de P a Q.
A partir de asumir un comportamiento dinámico de Gompertz se ha
propuesto el crecimiento de un tumor basado en la lenta evolución temporal de
un subsistema A (el tumor) insertado dentro de un sistema B de mayor tamaño
(el cuerpo) [22]. En este modelo se considera que las células vivas del tumor
consumen una cantidad de energía en forma de nutrientes y oxígeno, la cual
se recupera del ambiente (B), representado por un cuerpo vivo o una solución
externa. El ambiente B también tiene una acción mecánica que puede ser
responsable de la compresión, el incremento de la densidad y el cambio en la
forma del tumor (A). A partir de realizar un balance energético basado en las
leyes de la termodinámica se obtiene que existe un número de células mínimo
a partir del cual comienza la retroalimentación biológica, existiendo un balance
entre la energía específica para la proliferación, la energía metabólica
específica y el trabajo biomecánico, donde se considera que el valor de
saturación disminuye debido a la presión externa. A partir de los resultados
obtenidos los autores concluyen que el crecimiento de Gompertz se debe
esencialmente a este balance energético, el cual representa una descripción
macroscópica de una dinámica compleja subyacente. En este sentido, estos
resultados constituyen un paso de avance hacia la comprensión del patrón del
crecimiento tumoral mediante la conexión entre el punto de vista macroscópico
energético y la descripción más esencial y difícil del comportamiento colectivo

9
celular, donde el resultado que se obtenga también se puede describir por los
métodos de la mecánica estadística [22].

1.3.3 Modelos estocásticos

El enfoque estocástico de la modelación del crecimiento tumoral se
utiliza para tomar en consideración la incertidumbre asociada con los procesos
que tienen lugar a escala microscópica y su manifestación sobre el
comportamiento del sistema a escala macroscópica, así como la influencia de
las fluctuaciones externas [27], [28].
El proceso de carcinogénesis se considera un proceso inherentemente
estocástico, ya que se desconoce por qué ciertos individuos padecen cáncer
ante condiciones en las que otros no son afectados. Por lo tanto, algunos
autores sugieren que los modelos de carcinogénesis deben formularse en el
marco de los procesos estocásticos [29]
En este sentido, han sido propuestos modelos estocásticos para el
crecimiento tumoral considerando la presencia de ruido aditivo y multiplicativo,
así como una relación cruzada entre ambos [30]. Mientras que la constante de
velocidad de apoptosis en un modelo logístico se modifica mediante un término
determinista que caracteriza la respuesta inmune antitumoral, la velocidad de
mitosis se asume que cambia aleatoriamente debido a procesos que se
manifiestan como ruido interno multiplicativo [30]. Los autores también
consideran que el sistema está sujeto a un ruido aditivo externo que simula la
influencia del ambiente sobre la evolución del tumor. La distribución de
probabilidad estacionaria se deriva considerando un tiempo de correlación finito
para la velocidad de respuesta inmune antitumoral y la fortaleza de la relación
cruzada. La probabilidad presenta un máximo que se hace más pronunciado
con la velocidad de respuesta inmune antitumoral, obteniéndose un parámetro
temporal para predecir bajo qué condiciones el tumor puede sufrir extinción, lo
cual depende del grado de respuesta inmune antitumoral y de la fortaleza de la
relación cruzada.
Se ha propuesto un modelo estocástico para el crecimiento de células
tumorales basado en una ecuación de Fokker-Planck funcional para describir la
función de densidad correspondiente al tamaño de las células del tumor [31].
En dicha ecuación de Fokker-Planck el término asociado con el crecimiento

10
tumoral se relaciona con la dinámica de Gompertz. Este modelo toma en
cuenta tanto la apoptosis como la mitosis. En este caso se encontró que la
función de densidad exhibe una estructura con múltiples máximos, lo cual se
explica que es debido a la ocurrencia del proceso de mitosis en el tiempo. A
partir de los resultados obtenidos los autores concluyen que la mitosis crea la
estructura con múltiples máximos de la función de densidad de probabilidad del
tamaño de las células tumorales y que la velocidad de apoptosis afecta su
magnitud, donde el coeficiente de dispersión y la velocidad de crecimiento de
las células sólo son responsables del ajuste fino de la estructura. Este modelo
ha sido modificado insertando un término de terapia en el término determinista
del crecimiento celular [16], aunque esto último constituye una aproximación
que no toma en cuenta el efecto de las fluctuaciones externas. No obstante, La
incorporación de este término de terapia no sólo suprime la proliferación de las
células tumorales, sino que también permite que las células tumorales
disminuyan en tamaño.
Bajo estas mismas consideraciones se ha propuesto un modelo en el
cual el tamaño de las células tumorales está restringido [32]. En este caso la
función de densidad de probabilidad del tamaño de las células tumorales
obedece a una ecuación de Fokker Planck funcional asociada con un proceso
estocástico acotado. En este caso se encontró que la función de densidad de
probabilidad describe una estructura asimétrica generada por la mitosis a
medida que el sistema evoluciona en el tiempo.
Se ha descrito el efecto de las terapias a partir de un comportamiento de
Gompertz aplicando el formalismo estocástico basado en las fluctuaciones
externas [33]. La función de densidad de probabilidad del tamaño del tumor
obedece a una ecuación de Fokker Planck no lineal que no se puede resolver
analíticamente. En este caso los autores predicen que durante el tratamiento
del cáncer la intensidad de las dosis no debe reducirse porque esto permitiría
que el tumor reaparezca, mientras que la intensificación logarítmica tardía
pudiera ser la estrategia terapéutica óptima.
El origen microscópico de la dinámica de Gompertz observada a escala
macroscópica constituye un tema aún abierto para la modelación. Con el
objetivo de explicarla se ha presentado un modelo basado en autómatas
celulares para el crecimiento de un tumor avascular en un espacio cuadrado

11
bidimensional [3]. La formación de patrones y el crecimiento de la población
celular son descritas en base a una simulación de Monte Carlo, en la cual las
velocidades de los procesos son establecidas a priori. Para simular el
crecimiento se emplea una descripción microscópica de la respuesta del
sistema inmune, que incluye la proliferación celular, la muerte celular y la
degradación de células [3]. En este caso se considera la posibilidad de escape
del cáncer de la vigilancia inmune. Los resultados predicen una curva de
crecimiento con explicación a escala microscópica que está en concordancia
con el crecimiento experimental observado en tumores en animales. Los
autores también demuestran que diferentes conjuntos de parámetros darán
diferentes curvas de Gompertz. Dicho modelo muestra claramente que un
incremento en la velocidad de la lysis celular conduce a la disminución de la
velocidad de proliferación de las células del cáncer y concluyen que un mayor
tamaño del tumor podría no indicar agresividad del crecimiento tumoral. Sin
embargo, por tratarse de una simulación numérica, se obtiene un ajuste
empírico de esos datos a una función de Gompertz, por lo que no dan
explicación concreta a los parámetros de la misma.

1.4 Dualismo estocástico – fractal. Posible origen de la función de

Gompertz
Dentro del marco de la modelación estocástica tienen especial interés
los modelos que toman en cuenta la geometría del sistema, donde el carácter
fractal observado en el contorno de los tumores se asume que es una
manifestación de procesos aleatorios, lo que concuerda con los resultados
obtenidos para tumores simulados en un espacio bidimensional según un
modelo previamente discutido [3].
Se ha propuesto un modelo mesoscópico para el crecimiento tumoral
que puede explicar el origen de la heterogeneidad de las células y la robustez
del tumor [34]. Este formalismo estocástico ha permitido no sólo reproducir,
sino también explicar, los resultados experimentales presentados por Brú [35].
En este modelo sólo se consideran los procesos de mitosis y apoptosis en la
interfase del tumor con el hospedero, donde el carácter estocástico del radio
del tumor se manifiesta en la rugosidad de la interfase y en la distribución no
uniforme de las células del contorno, lo cual puede caracterizarse a través de

12
la dimensión fractal. Uno de los aspectos significativos de este modelo se
relaciona con los valores predichos para el exponente de crecimiento, los
cuales expresan una característica básica de la dinámica de crecimiento de
superficies críticas. De acuerdo con este modelo, el valor del exponente de
crecimiento está entre 0,25 y 0,5, lo cual incluye el valor propuesto por Kadar-
Parisi-Zhang mediante el modelo de clase universal KPZ (0,33) [35] y el valor
propuesto por Brú (0,375) [36] relacionado con la dinámica de clase universal
(MBE). En este caso los resultados predichos por el modelo mesoscópico
sugieren que las dinámicas tumorales son demasiado complejas para
asociarse a una clase universal particular [34].
Bajo estas consideraciones [37], se sugiere que el tumor tiene una
dimensión fractal característica, la cual contiene la información necesaria para
predecir el crecimiento tumoral hasta que se alcanza un estado estacionario,
proponiéndose un modelo que relaciona la dimensión fractal del tumor con las
constantes de velocidad de mitosis y apoptosis a nivel de las células
individuales. También se predice que cuando las fluctuaciones externas son
relevantes la dimensión fractal del tumor puede distorsionarse con respecto al
valor característico en ausencia de estas, lo cual influye sobre la cantidad de
células que se encuentran en la interfase del tumor, donde la correlación entre
las fluctuaciones externas aditivas y las multiplicativas genera una resonancia
estocástica que pudiese explicar por qué un tumor que se encuentra en un
estado estacionario estable o latente puede evolucionar a un estado crítico,
generándose un proceso de metástasis aún bajo el efecto del hospedero y el
sistema inmune. Sin embargo, aunque es posible en primera aproximación
predecir cuando los tumores alcanzarán el estado latente, es prácticamente
imposible establecer cuando el tumor hará metástasis dado el carácter
altamente aleatorio de la acción del sistema [37].
A partir del formalismo mesoscópico y los conceptos de la geometría
fractal se han obtenido expresiones para predecir la dinámica del cáncer a
partir de la dimensión fractal de la imagen histopatológica del tejido tumoral
[38]. El sistema considerado es una región en el interior del tumor donde,
debido a la competencia por el espacio y los nutrientes, el promedio del número
total de células se encuentra en estado estacionario. A partir de considerar que
la relación mitosis/apoptosis que se predice a partir de la dimensión fractal del

13
patrón celular es proporcional a la agresividad, el modelo fue empleado para
estudiar in vivo el comportamiento de la agresividad del carcinoma de cuello
uterino con la edad de la paciente, encontrándose que la velocidad de
crecimiento de este tipo de tumor disminuye con el envejecimiento, lo que se
corresponde con los resultados obtenidos en los estudios clínicos reportados
en la literatura consultada [17] . Sin embargo, el modelo tiene limitaciones, ya
que se considera que el único factor que influye sobre la agresividad es la edad
de la paciente y las funciones que se establecen se seleccionan a partir de
criterios estadísticos, sin que sea posible explicar desde el punto de vista
fenomenológico la estructura matemática de las ecuaciones obtenidas.
A pesar de sus limitaciones, el éxito más importante de este modelo es
que establece teóricamente la relación entre la morfología del patrón celular y
el cociente mitosis/apoptosis, lo cual permite predecir la relación entre estos
parámetros dinámicos a partir de la dimensión fractal de las células tumorales
[39], donde se propone además la relación entre la morfología macroscópica
del tumor y la morfología del patrón celular.
Posteriormente este modelo [38] fue modificado para describir la
relación entre la morfología del tejido tumoral en el caso específico del
carcinoma de cérvix y los procesos dinámicos de mitosis y apoptosis [40]. El
nuevo modelo propuesto se aplicó a estudios in vivo de carcinoma de cérvix
etapa III, encontrándose que tanto la velocidad de mitosis como el índice de
agresividad, disminuyen con la edad de la paciente. Además se obtuvo que la
velocidad de apoptosis era significativamente menor en los tejidos tumorales en
comparación con las células normales de útero. Este último resultado
cuantitativo se corresponde con los resultados de los estudios genéticos y
bioquímicos efectuados en este tipo de cáncer, donde se encontró que la causa
de su aparición se debe a una disminución de la posibilidad de ocurrencia del
proceso de apoptosis debido a la inclusión de una proteína generada por el
papiloma virus, causante de este tipo de tumor, que impide que tenga lugar el
mecanismo de apoptosis [17], [18].
Se ha demostrado [41] que la curva de Gompertz normalizada que se
emplea para describir el crecimiento observado experimentalmente en
tumores malignos se puede ajustar a la función potencia:
y  t   at b (1.4.1)

14
 con un coeficiente de regresión no lineal igual a 0,95, donde b se asocia
con una dimensión fractal temporal y t es el tiempo [41]. Para obtener este
resultado la curva de crecimiento del tumor se divide en tres intervalos para su
ajuste, considerándose de esta manera que esta curva es un fractal. El
resultado denota que no sólo el espacio ocupado por las células cancerosas
posee estructura fractal, sino que también la escala temporal en la cual
evoluciona el sistema tiene esta característica. El valor de la dimensión fractal
temporal media decrece a lo largo de la curva, acercándose eventualmente a
valores enteros. Además se han observado cambios en ambas dimensiones
fractales (temporal y espacial) durante el crecimiento o la formación de un
tumor [41], [42] lo cual sugiere que existe una influencia mutua entre la
dinámica de los eventos intracelulares, los eventos intercelulares, el tiempo y el
espacio.
Se ha discutido que el tiempo y el espacio poseen estructura fractal en el
caso de los sistemas tumorales, donde según los autores la fractalidad del
espacio – tiempo es un prerrequisito para el acoplamiento y crecimiento [43],
proponiéndose una relación universal entre el tiempo y el espacio para un
proceso no lineal con la dinámica de Gompertz, donde estas dos categorías
están relacionadas entre sí a través de una función lineal de sus logaritmos
[43]. También se ha demostrado que la dimensión fractal espacial es una
función tanto del tiempo escalar como de la dimensión fractal temporal.
La primera derivada de la función de Gompertz produce una curva en
forma de campana asimétrica al igual que la dimensión fractal temporal en el
tiempo, lo que indica que esta dinámica aparece por un acoplamiento de
probabilidades más complejo del que se relaciona con un modelo logístico, lo
cual se manifiesta en el carácter asimétrico de la primera derivada. Los
autores afirman que no se pueden señalar los procesos microscópicos locales
que contribuyen a la aparición de la dinámica de Gompertz en un determinado
punto de tiempo, ya que el crecimiento y la auto-organización ocurren en un
espacio tiempo de carácter fractal y se encuentran relacionados con un atractor
extraño [44].

15
 2. Modelo matemático para describir el crecimiento tumoral
gompertziano a partir de la morfología de los patrones celulares

En este capítulo se presenta la obtención de un modelo para describir el

crecimiento tumoral mediante la aplicación de los métodos estocásticos. El
mismo se subdivide en cinco epígrafes. En el primero se obtiene una solución
aproximada de la ecuación maestra para el número de células totales. El
segundo epígrafe describe el comportamiento en estado estacionario del valor
esperado del número de células y de la varianza asociada con las fluctuaciones
internas a partir del cual se define un modelo mesoscópico adimensionalizado.
En el tercer epígrafe se presentan las expresiones de Gompertz que describen
la dinámica de los valores esperados del número de células y del radio del
tumor obtenidas a partir del comportamiento esperado predicho por el modelo
mesoscópico. En el cuarto epígrafe se propone una expresión para el análisis
morfológico de los datos experimentales. En el quinto y último epígrafe se
establecen las predicciones dinámicas del modelo y de la incertidumbre
asociada con el sistema.

2.1 Obtención del modelo para describir la dinámica del número de

células totales

El sistema considerado es un tumor en dos dimensiones y una forma

macroscópica aproximadamente circular con un radio promedio r , el cual se
identifica con la variable macroscópica (ver Figura 2.1).
El tumor está compuesto por n células, donde se considera que
existen m células en la interfase del tumor con el hospedero, donde n y m
se relacionan con el radio del tumor y dependen del carácter fractal de la
morfología.
El número de células totales se define por:
Df
n  r (2.1.1)
1  Df  2 (2.1.2)
Donde  es una constante de proporcionalidad que depende del nivel
de magnificación empleado y D f es la dimensión fractal del patrón celular.

16
 El mínimo valor de D f se corresponde con un caso en el cual todas
las células tumorales se localizan en la interfase del tumor, mientras que el
valor máximo implica una ocupación total del espacio interno del tumor por una
masa compacta de células. La relación 2.1.1 expresa que la variable n está
relacionada con el área de la sección circular del tumor que se encuentra
ocupada por células tumorales.
Por otra parte, el número de células en la interfase del tumor se define
por:
df
m  r (2.1.3)
1  d f  1.5 (2.1.4)

Donde  depende del nivel de magnificación y df representa la

dimensión fractal del contorno o interfase entre el tumor y el hospedero.
d f caracteriza la morfología de la interfase donde el valor de máximo se

asocia con una interfase poco definida y altamente irregular.

Ambas constantes Df y df dependen del tipo de tumor, de su
localización, así como de las características de cada paciente particular, por lo
cual pueden resultar potencialmente útiles para el diagnóstico particularizado
de la enfermedad.
En la figura 2.1 se muestra una imagen del tumor in vivo y las variables
consideradas para su descripción.

17
 Fig. 2.1 Imagen histopatológica de carcinoma epidermoide de cérvix. I
representa la interfase entre el tumor y el hospedero caracterizada por su
dimensión fractal d f , A representa las células en el interior del tumor cuya
dimensión fractal es D f , y B el patrón celular del hospedero. r es el radio del
tumor.

A partir de las ecuaciones 2.1.1 Y 2.1.3 se establece la relación entre

m y n:
 
m n

df (2.1.5)
 
Df

Para el proceso de mitosis se considera que la proliferación, en el

sentido del carácter invasivo del espacio por el tumor se debe
fundamentalmente a las células en la interfase, puesto que las células en el
interior del tumor se encuentran en un estado estacionario dinámico debido a la
competencia por el espacio y los nutrientes [1], [34], [38]. Por lo tanto, la
probabilidad de transición por unidad de tiempo asociada a este proceso puede
establecerse a priori como:
 
W1  m   n (2.1.6)

En la ecuación (2.1.6)  es la constante de velocidad de mitosis y
tiene unidades t 
1
. Cuando ocurre un proceso individual de mitosis, el
cambio en el número de células totales está dado por:
 1  1 (2.1.7)

Para el proceso de apoptosis se establece que la probabilidad de

transición por unidad de tiempo, establecida a priori, depende del número de
células totales:
W2   n (2.1.8)

Donde  es la constante de velocidad de apoptosis y tiene unidades

t 
1
, y en este caso el cambio en el número de células totales es:
 2  1 (2.1.9)

Establecidas las probabilidades de transición por unidad de tiempo y el

18
cambio que ocurre en cada proceso a nivel de las células se obtiene la
ecuación maestra [28] que describe la probabilidad P  n, t  de tener el
número de células n al tiempo t :
P  n, t 
t
    
 E 1  1  n  P n, t   E 1  1   n P  n, t 

P  n0 , 0   1 (2.1.10)

 

La ecuación maestra 2.1.10 es una ecuación diferencial en diferencias
no lineal y, por lo tanto, no tiene solución analítica exacta, siendo necesario
aplicar un método aproximado de solución [27], [28].
Si el cambio n en el número total de células n cuando tiene lugar un
proceso individual a escala microscópica es despreciable con respecto al
número total de células la variable n puede ser tratada como continua. Por lo
tanto, el operador paso E se puede expresar en términos de derivadas
parciales con respecto a n:
  1 2 
E 1

 1     
 n 2 n
2

(2.1.11)
  1 2 
E 1

 1    
2 
 n 2 n 
Sustituyendo el operador paso definido según 2.1.11 en la ecuación
2.1.10, se obtiene la ecuación de Fokker-Planck [28] correspondiente a la
función de probabilidad asociada al número de células totales:
P n, t   1 2
t

n
  n    n  P  n, t  
2 n 2
 n  n  P n, t  (2.1.12)
P n0 , 0   1

La ecuación de Fokker-Planck es una ecuación diferencial parcial que es

más fácil de resolver que la ecuación maestra [27], [28]. Sin embargo, la no
linealidad de la ecuación 2.1.12 implica que esta no tenga una solución
analítica exacta, pero es posible encontrar una solución parcial, que se
corresponde con la solución exacta para el comportamiento temporal del valor
esperado n y la varianza en el número de células  . En este caso se
obtiene:

dt
d n
  n  
 n  (2.1.13)
n  0   n0

19
 d
dt

 2  n
 1

    n 
 n  (2.1.14)
  0  0

Las ecuaciones 2.1.13 y 2.1.14 constituyen el modelo mesoscópico, el

cual describe el comportamiento determinista del sistema y permite predecir el
comportamiento de la varianza de las fluctuaciones internas en función de este.
Es importante destacar que la solución parcial de la ecuación de Fokker-
Planck, expresada a través del comportamiento del valor esperado y la
varianza es un sistema de ecuaciones diferenciales temporales, que puede o
no tener solución analítica exacta.

2.2 Obtención del modelo mesoscópico adimensional

En estado estacionario, el lado derecho de las ecuaciones diferenciales

2.1.13 y 2.1.14 correspondiente a la derivada temporal se hace igual a cero, de
tal forma que se obtiene el sistema de ecuaciones algebraicas:

0  ns  n s  (2.2.1)

 

0  2 n s 1     s  n s   n s  (2.2.2)
D 

En las ecuaciones 2.2.1 y 2.2.2 n s y  s son los valores de estado

estacionario del valor esperado del número total de células y de la varianza
asociada con las fluctuaciones internas, respectivamente.
La única solución no trivial del sistema de ecuaciones constituido por
2.2.1 y 2.2.2 es:
 1

ns    (2.2.3)


ns
s  (2.2.4)

A partir de las soluciones en estado estacionario se define la variable
adimensional:
n
x (2.2.5)
ns

que representa el cociente entre el número de células n para un tiempo

dado y el número total de células en estado estacionario n s, por lo que su valor

20
en estado estacionario xs es igual a la unidad.
De forma semejante se define para la varianza:

 (2.2.6)
s

Mientras que para el tiempo se establece:

  t (2.2.7)
Sustituyendo las variables adimensionales definidas (ecuaciones 2.2.5,
2.2.6 y 2.2.7) en las ecuaciones diferenciales 2.1.13 y 2.1.14 se llega al modelo
mesoscópico adimensional:
dx
 x  x
d (2.2.8)
x 0  x 0

d
d
  
 2 x  1  1   1    x   x 
(2.2.9)
 0    0

El sistema constituido por las ecuaciones diferenciales 2.2.8 y 2.2.9 no

tiene solución analítica exacta siendo necesario obtener su solución mediante
la aplicación de métodos numéricos. El mismo constituye una descripción
parcial del sistema puesto que una descripción completa sólo es posible
conociendo la función de probabilidad asociada con x.

2.3 Obtención del modelo de Gompertz

La expresión 2.2.8 puede reescribirse convenientemente como:

1 dx   1  1

x d   1
 x  1 (2.3.1)
Tomando en cuenta la propiedad del diferencial:
dx
 d ln x (2.3.2)
x
Y aplicando la propiedad del logaritmo:


ln x  h x h  1
1

(2.3.3)
h 0
La ecuación 2.3.1 se transforma en:

21
 d ln x
  ln x
d
x 0  x0 (2.3.4)
  1

Si bien el valor de x se encuentra entre cero y uno por la condición de

adimensionalidad, el valor inicial x0 tiene que ser mayor que cero, puesto que
un valor igual a cero implicaría la ausencia de células tumorales proliferantes y,
por lo tanto, no puede ocurrir crecimiento tumoral.
La ecuación 2.3.4 presenta la misma estructura que el modelo empírico
de Gompertz [22], [24]. La misma constituye una función aproximada para la
descripción dinámica del tumor, donde el parámetro que determina su
velocidad de crecimiento depende de su morfología. La constante  se
define como el parámetro morfológico dinámico del tumor.
El parámetro morfológico dinámico del tumor debe ser positivo para que
se alcance un valor de estado estacionario estable. Por lo tanto, tomando en
cuenta la definición de  dada por la ecuación 2.1.5, se exige una restricción
adicional:
d f D f (2.3.5)
La cual se corresponde con los resultados predichos en trabajos previos
[39], donde se ha obtenido una relación teórica entre df y D f a partir de
considerar que el cociente dinámico en el interior del tumor es el mismo que en
la interfase del tumor con el hospedero. En la figura 2.2 se muestra este
comportamiento teórico predicho.

Fig. 2.2 Dimensión fractal del contorno como función de la dimensión

22
fractal del patrón celular.

Mediante un cambio de variables en la ecuación 2.3.4 se obtienen los

modelos de Gompertz correspondientes al número de células totales y al radio
del tumor:
d ln n n
  ln
d ns (2.3.6)
n  0  n0

  d f  D f  ln
d ln r r
d p
r  0  r0 (2.3.7)
1

   d f D f 1

p    
d f D f

  

En la expresión 2.3.7, p es el radio de estado estacionario del tumor,

el cual se encuentra directamente relacionado con el espacio disponible para
su crecimiento.  involucra el nivel de magnificación considerado y las
constantes asociadas a las probabilidades de transición por unidad de tiempo.
La ecuación 2.3.7 predice que a escala macroscópica, el comportamiento
dinámico del radio depende de los valores individuales de ambas dimensiones
fractales d f y D f .

2.4 Relación entre variables morfológicas

En el epígrafe anterior se han obtenido modelos de Gompertz que

describen el comportamiento del valor esperado de x , n y r , (ecuaciones
2.3.4, 2.3.6 y 2.3.7) en los cuales la morfología del tumor se toma en cuenta en
los parámetros del modelo.
Sin embargo, para la validación de estos modelos no es posible disponer
de los datos de evolución temporal de tumores in vivo en seres humanos por
razones obvias, puesto que los pacientes son sometidos a tratamiento una vez
que se establece el diagnóstico.
La información que se toma en cuenta para establecer criterios sobre
agresividad y prognosis se basa en la morfología de los patrones celulares
observados en las biopsias de cada paciente, entre otros factores, así como en
la experiencia acumulada en los estudios clínicos. Por esta razón resulta

23
interesante obtener la mayor información posible asociada con la morfología
del tumor.
A partir de considerar que el tumor tiene una forma aproximadamente
circular, según lo observado en la figura 2.1 se establece la siguiente relación
entre el número de células en la interfase y el número de células totales:
dn
 am (2.4.1)
dr
donde a es una constante de proporcionalidad.
La fracción del área total ocupada por células en el patrón celular
observado puede definirse como:
Df
n r
f    (2.4.2)
n s  p 

Esto es posible puesto que se trata de un sistema con geometría fractal,

donde se cumple la propiedad de autosemejanza, o sea, cada fragmento del
sistema observado es una copia a menor escala de la estructura de todo el
fractal [12].
Haciendo un cambio de variables para la relación 2.4.1 en función de f :
1 1 D1 n  1
f  a s  f  p (2.4.3)
Df 

Aplicando logaritmos y reordenando apropiadamente se obtiene:

 Df 1 d f 
ln D f    ln f  ln a    ln p (2.4.4)
 Df   
   

Sustituyendo p por su valor en la ecuación 2.3.7 se llega a la

expresión:
 D f 1  d f  1  
ln D f    ln f  ln   ln a  (2.4.5)
 Df  d f  Df  
 
La ecuación 2.4.5 relaciona tres parámetros asociados a la morfología
de las imágenes histopatológicas: la fracción del área ocupada por las células
tumorales en el patrón f y las dimensiones fractales D f y d f .
Aplicando esta ecuación experimentalmente podemos determinar el


valor del cociente dinámico  para un determinado tipo de tumor.

2.5 Comportamientos predichos por el modelo

24
 El sistema de ecuaciones diferenciales constituido por las ecuaciones
2.2.8 y 2.2.9 puede resolverse numéricamente para obtener el comportamiento
dinámico del valor esperado la variable x y de la varianza asociada a las
fluctuaciones internas  .
Estableciendo como valores iniciales:
x 0   0.1
(2.5.1)
 0   0

Se obtienen los comportamientos mostrados en la figura (2.3) obtenidos

a partir de la solución numérica de las ecuaciones diferenciales 2.2.8 y 2.2.9 y
a partir de la solución analítica exacta dada por el modelo de Gompertz para
diferentes valores de  (ecuación 2.5.2):
x   exp  2. 302 6 exp( )  (2.5.2)

En ambas funciones aumenta la velocidad de crecimiento inicial y se

alcanza con más rapidez el estado estacionario al incrementarse el valor de 
.

Fig. 2.3 Evolución temporal de la solución numérica (líneas continuas) y

de la solución de Gompertz (líneas discontinuas) para dos valores diferentes
de  .

A pesar de constituir una solución analítica aproximada de la ecuación

diferencial para el valor determinista predicho por el modelo mesoscópico, la
función de Gompertz resulta apropiada para la comparación del
comportamiento dinámico de tumores que presentan diferentes morfologías, y
tiene la ventaja de que permite obtener el comportamiento de la velocidad de

25
crecimiento con respecto a  y a la edad del tumor.
Para la caracterización de la agresividad de los tumores a partir de su
morfología, se determina analíticamente la velocidad de crecimiento
correspondiente a la edad del tumor o etapa clínica. De este modo puede
predecirse el comportamiento de la velocidad de crecimiento del tumor en
función de su morfología (Figura 2.4).

Fig. 2.4 Velocidad de crecimiento del tumor en función de  .

La presencia de las fluctuaciones internas implica que existe una

incertidumbre asociada en relación con el comportamiento del sistema, la cual
se puede cuantificar a través de la relación entre la magnitud de las
fluctuaciones, dada por la raíz cuadrada de la varianza y el valor esperado:
 0.5
I  (2.5.3)
x
Como puede observarse en la figura 2.5, si se conoce el sistema con
absoluta certeza en el estado inicial (varianza nula), la incertidumbre crece
hasta alcanzar un valor máximo, a partir del cual disminuye y toma un valor de
estado estacionario. Este comportamiento constituye una manifestación de la
disipación de las fluctuaciones, que resulta indispensable para que se alcance
un estado estacionario estable [28]. El máximo de la incertidumbre se
incrementa con el parámetro dinámico morfológico  .

26
 Fig. 2.5 Evolución temporal de la incertidumbre para dos valores
diferentes de  .

En cuanto a la relación morfológica establecida 2.4.5, como puede

observarse en la figura 2.6 la fracción del área ocupada se incrementa con la
dimensión fractal del patrón celular. Este comportamiento es esperable si se
toma en cuenta la definición de la dimensión fractal de capacidad.
Por otra parte se predice que a mayor dimensión fractal del contorno
será menor la fracción de área ocupada, como puede corroborarse en la figura
2.7, lo cual parece estar relacionado con una mayor dispersión de las células
tumorales en el patrón celular.

Fig. 2.6 Comportamiento de f en función de D f a d f constante.

27
 Fig. 2.7 Comportamiento de f en función de d f a D f constante.

3. Teoría versus resultados experimentales. Discusión

En este capítulo se presenta la aplicación del modelo propuesto para el

estudio de tumores in vivo. El mismo consta de tres epígrafes. En el primer
epígrafe se describen los materiales y métodos empleados para la obtención,
procesamiento y caracterización morfológica de las imágenes histopatológicas
de biopsias de tumores in vivo. En el segundo epígrafe se estudia el
comportamiento experimental observado del parámetro dinámico morfológico
del carcinoma de cérvix con respecto a la edad de las pacientes en el momento
del diagnóstico. En el tercer y último epígrafe se discuten los resultados
obtenidos.

3.1 Materiales y métodos

Los tejidos tumorales tomados en las biopsias fueron tratados con el

procedimiento químico de rutina con tinción de hematoxilina-eosina, mediante
la cual los núcleos quedan marcados en color azul y el estroma del tumor
queda de color rojo. (Ver figura 3.1 a).
Las imágenes fueron obtenidas bajo un microscopio electrónico Olympus
CX21FS (Aumento X40) con una cámara digital Cannon de 8 mega píxeles de
resolución. Para el procesamiento de las imágenes histopatológicas de las

28
biopsias de tumores in vivo se empleó el programa ImageJ 1.43 de Wayne
Rasband, Instituto Nacional de Salud, USA (http://rsb.info.nih.gov/ij).
Puesto que el tratamiento químico previamente descrito produce el
marcaje de los núcleos celulares en azul, se separan los colores (fig. 3.1 b) y
escoge el canal que corresponde a la ausencia de color rojo (fig. 3.1 c), con lo
cual se elimina la contribución del citoplasma y el estroma marcado en rojo a la
intensidad de los píxeles. A la imagen binaria correspondiente (fig. 3.1 d) se le
determina la fracción del área ocupada por píxeles, que constituye una medida
de la ocupación del área del tejido por los núcleos celulares, y se le determina
la dimensión fractal D f por el método del conteo de caja (fig. 3.2). La
dimensión fractal del contorno d f se determina a partir del perfil del FFT de la
imagen (fig. 3.3).

Fig. 3.1 Etapas del procesamiento de imágenes. a) Selección de campo.

b) Extracción de fondo con separación de colores. c) Canal rojo d) Imagen
binaria.

29
 Fig. 3.2 Representación gráfica del cálculo de la dimensión fractal
mediante el método del conteo de caja.

Fig. 3.3 Perfil de grises del FFT.

Para realizar el estudio experimental fueron seleccionados 38 casos de

pacientes diagnosticadas con carcinoma de cérvix en etapa clínica tres. Para
cada caso se seleccionan tres imágenes, promediándose los valores
morfológicos f , Df y df obtenidos. También fueron procesadas las
imágenes de tejido sano correspondientes a la misma localización.
Las soluciones numéricas de las ecuaciones diferenciales se obtuvieron
con el maple del programa Scientific Notebook Version 3.00 (http://
scinotebook.tcisoft.com). Las correlaciones estadísticas y pruebas de bondad
de ajuste de distribuciones de probabilidad se llevaron a cabo haciendo uso del
programa STATGRAPHICS Plus 5.0. (Statistical Graphics Corp 1994)

3.2 Resultados experimentales obtenidos en el estudio de

30
carcinoma de cérvix

3.2.1 Distribución estadística del factor morfológico 

Los valores del cociente  para cada caso fueron calculados a partir
de los valores de D f y df determinados experimentalmente, según ya ha
sido definido en el capítulo 2:
df
 (2.1.5)
Df

En la tabla 3.1 se muestran los valores de  , su desviación estándar

 0.5 y  para las pacientes con cáncer de cérvix y para un tejido sano
correspondiente a la misma localización. El valor de  es cercano a la unidad
en el tejido sano, mientras que el mismo es significativamente menor en todos
los casos analizados de pacientes con cáncer de cérvix.
En el caso de los tumores se obtienen valores positivos de  en todos
los casos, por lo que se predice que el tumor crece hasta alcanzar un estado
estacionario, que se corresponde con la invasión de todo el espacio disponible.
Sin embargo, en el caso de las imágenes correspondientes a un tejido sano se
obtiene un valor de  = 1.020.05, y el intervalo de valores de  (0.03,-0.07)
incluye el valor de 0, por lo que se predice que no existe crecimiento, lo cual es
un resultado esperado si se considera que en un tejido sano el número de
células promedio se mantiene constante en el tiempo.

Tabla 3.1 Resultados promedio de la caracterización morfológica.

Parámetro   0.5 
sano 1.02 0.05  0.02
carcinoma 0.74 0.03 0.26

Para los valores de  de tumores se obtuvo que su distribución de

densidad es ligeramente asimétrica, como puede observarse en la figura 3.5.
Dada la forma general de la función de densidad se plantea la hipótesis de que
esta puede ser ajustada a una función de probabilidad lognormal. En la figura
3.6 se obtiene la función de densidad lognormal ajustada y el histograma
correspondiente a la distribución de los datos obtenidos. Según la prueba de

31
bondad de ajuste realizada (ver Anexo 1), dado que el menor valor de P
obtenido es mayor o igual que 0.1, no se puede rechazar la idea de que 
cumpla con la distribución propuesta para un 90% de nivel de confianza.
Es interesante señalar que este resultado para el cáncer de cérvix
relacionado con la función de probabilidad lognormal que muestra el parámetro
de Gompertz también fue encontrado en el estudio clínico que se hizo en
tumores mamarios [22].

Fig. 3.5 Distribución de densidad de  .

Fig. 3.6 Histograma de frecuencias y función de distribución lognormal

ajustada.

3.2.2 Relación morfológica experimental

En la obtención del modelo matemático se ha discutido que la hipótesis

32
a considerar consiste en que es posible establecer criterios de agresividad y
prognosis a partir de la morfología de los tejidos tumorales. En este sentido, la
relación morfológica dada por la ecuación 2.4.5 permite encontrar
experimentalmente un parámetro que es proporcional al cociente mitosis


apoptosis  promedio para un tipo específico de tumor.

Para esto la relación 2.4.5 se escribe entonces de la forma:

y  mx  b (2.4.5)
dónde:
 Df 1 d f 
y  ln D f    ln f
 Df 
 
(3.2.1)
1
x
d f  Df

Donde a partir del ajuste de los valores experimentales de x y y se

obtiene la pendiente m  ln , que se relaciona con los niveles de magnificación


o escala de observación de la morfología y el intercepto b  ln a  , que

contiene al índice mitosis/apoptosis promedio de este tipo de tumor.

Esto constituye una aproximación aceptable siempre que la variabilidad
de las dimensiones fractales y de la fracción ocupada por células en el patrón
sea mucho mayor que la asociada con dichas constantes.
Si se cumple lo anterior, es de esperar que exista una correlación lineal
estadísticamente significativa entre las variables en la ecuación 2.4.5. Dicha
correlación confirmaría no sólo la relación entre la densidad de células y las
dimensiones fractales, sino que constituye una confirmación de la definición del
radio de estado estacionario p en el modelo de Gompertz cuyo logaritmo es:
1
ln p  ln   (3.2.2)
d f  Df

En el caso de los datos obtenidos experimentalmente a partir del

procesamiento de las imágenes de biopsias de carcinoma epidermoide de
cérvix se obtuvo una correlación lineal, cuyos parámetros de ajuste se reportan
en la tabla 3.2. Dado el valor de P menor que 0.01, existe una relación

33
estadísticamente significativa entre las variables para un 99% de nivel de
confianza, donde el coeficiente de correlación R = -0.984 indica una relación
relativamente fuerte entre las variables. La figura 3.7 representa el gráfico
obtenido para dicha correlación.
El cumplimiento de esta relación, como ya ha sido discutido en 2.4,
implica que a mayor D f y menor d f hay una mayor densidad de células en el
tejido tumoral representada por f , lo cual está en correspondencia con la
definición de  como la constante de Gompertz. La existencia de una
correlación lineal constituye además una validación de la definición del radio de
estado estacionario p en el modelo de Gompertz correspondiente a la
dinámica del radio del tumor.

Tabla 3.2 Parámetros del ajuste lineal según la ecuación 2.4.5.

Parámetro ln a  

ln R P
Valor  0.32  0.01
0.21  0.02 - 0.984  0.0001

Fig 3.7 Correlación lineal para la comprobación de la relación

morfológica establecida en 2.4.5.


En este caso se obtiene que para este tipo de tumor  a toma un valor

que se encuentra entre 0,79 y 0.82.

34
 Por otra parte, se había discutido que en trabajos previos [39] se
predecía una disminución de d f con el incremento de D f . En la tabla 3.3 se
muestran los resultados de un ajuste lineal empírico de d f como función de
D f , donde se observa que su pendiente es negativa, lo cual se corresponde

con las predicciones teóricas. En particular el valor de P indica que existe una
relación estadísticamente significativa entre las variables para un 95% de nivel
de confianza. En la figura 3.8 se observa la función teórica predicha, los datos
determinados experimentalmente para df y Df en tejido tumoral y el
comportamiento estadístico ajustado.
Es apreciable que la correlación entre ambas dimensiones fractales es
pobre. Existen dos posibles causas para la poca correlación observada. La
primera se asocia con la determinación experimental de ambas d f y D f a
partir del tratamiento de las imágenes de las biopsias, donde cada paso del
procesamiento simplifica las propiedades de la imagen. Este hecho constituye
una cuestión abierta en cuanto al tratamiento de imágenes óptimo a emplear.
La segunda causa está asociada con las diferencias entre el comportamiento
dinámico de las células en el interior del tumor y aquellas en la interfase del
tumor con el hospedero, provocado por el efecto de este último.

Tabla 3.3 Parámetros del ajuste lineal empírico d f  D f  .

Parámetro Intercepto Pendiente R P
Valor 1.29+-0.04 -0.07+-0.02-0.4 0.0105

35
 Fig. 3.8 Relación entre df y D f . Datos experimentales (puntos),
correlación lineal estadística (línea continua) y predicciones teóricas (línea
discontinua).

3.2.3 Comportamiento de la velocidad de crecimiento con respecto

a la edad de las pacientes

A partir del modelo de Gompertz (ecuación 2.5.2) se obtiene una relación

analítica que predice la velocidad de crecimiento del tumor en función de la
edad del mismo y el parámetro dinámico morfológico:

v   
dx
d

 2. 302 6e  exp  2. 302 6e   (3.2.3)

Asumiendo un valor arbitrario para el tiempo   20  puede calcularse

la velocidad de crecimiento del tumor para cada paciente, para lo cual se toma
en cuenta que todas se encuentran en la misma etapa clínica, por lo cual se
asume que la edad del tumor es igual para todos los casos. En la figura (3.9) se
observa la dependencia de la velocidad de crecimiento del tumor con la edad.
A partir de los datos experimentales se ajusta por métodos estadísticos
un modelo de saturación de la velocidad de crecimiento que está dado por:
aE
v (3.2.4)
bE
donde E es la edad de las pacientes. En la tabla 3.4 se observan los
parámetros de la correlación no lineal obtenida. El valor de R indica una

36
correlación moderada entre las variables, si bien la dispersión es considerable,
como se observa en la figura 3.9. Esta dispersión puede tener tres causas
fundamentales:
1. Existe un error asociado con el tratamiento de las imágenes
histopatológicas, el cual ha sido previamente discutido.
2. Sólo se ha considerado la edad como parámetro obviando la
influencia de los restantes factores clínicos.
3. Se considera que todos los tumores tienen la misma edad,
cuando en realidad la edad del tumor no se ha establecido, sino su etapa
clínica.
De acuerdo con esto se predice que la velocidad de crecimiento del
tumor disminuye con el envejecimiento. La disminución de la velocidad que
puede asociarse con una menor agresividad del tumor a mayor edad de la
paciente se corresponde con lo encontrado en los estudios clínicos reportados
en la literatura consultada [14].

Fig. 3.9 Correlación entre la velocidad de crecimiento calculada y la

edad de las pacientes.

Tabla 3.4 Parámetros del ajuste no lineal v E 

Parámetro a b R SE
Valor  12.0800.5460.001
0.002

37
 Este resultado ha sido obtenido a partir de las consideraciones
establecidas en el modelo matemático, el cual se basa en considerar la
fractalidad del tumor y el carácter estocástico de los procesos que ocurren a
nivel de las células individuales. Por lo tanto el modelo propuesto constituye
una confirmación del principio del dualismo fractal estocástico [44]. Este
principio establece que la aparición de la dinámica de Gompertz a nivel
macroscópico durante el crecimiento y la auto-organización de una estructura
biológica está determinada por la dinámica a nivel microscópico de los
sistemas celulares supramoleculares, la cual depende tanto del acoplamiento
complejo de los eventos estocásticos como de la estructura fractal del espacio-
tiempo [43]. En este sentido, Se ha establecido que la función de Gompertz es
una función de probabilidad, donde su primera derivada es una función de
densidad de probabilidad de tipo no Gausiana y por otra parte, la función de
Gompertz define la dinámica fractal en el espacio tiempo, un prerrequisito para
el acoplamiento de procesos [44].

38
 Conclusiones

1. Se obtuvo un modelo de Gompertz mediante la aplicación del

formalismo estocástico basado en la ecuación maestra dónde las
probabilidades de transición por unidad de tiempo establecidas a priori toman
en cuenta el carácter fractal de la geometría del sistema en la definición de las
variables empleadas.
2. El modelo obtenido se aplicó para el estudio in vivo de carcinoma
epidermoide de cérvix, obteniéndose que la velocidad de crecimiento en
función de la edad de las pacientes disminuye en correspondencia con lo
reportado en estudios clínicos.
Por lo tanto se ha obtenido un modelo que relaciona la morfología de los
patrones celulares tumorales con la dinámica de crecimiento de los tumores,
comprobándose la hipótesis planteada.

Recomendaciones

1. Aplicar el modelo obtenido en otras etapas del propio cáncer de cérvix

y considerar otros factores clínicos además de la edad en el análisis.
2. Obtener el comportamiento temporal del cáncer de cérvix en
animales, caracterizando al mismo tiempo su morfología macroscópica y tisular.
3. Aplicar el modelo al estudio de otros tipos de tumores.

39
 Referencias

[1] S. A. Frank, “Dynamics of Cancer. Incidence, inheritance and evolution,” H. Allen

Orr, Princeton series in evolutionary biology, Princeton University Press, 2007.
[2] G. G. Steel, “Growth Kinetic of Tumors,” Oxford Clarendon Press, 1977.
[3] A. Boondirek, Y. Lenbury, J. Wong Ekkabut, W. Triampo, I. M. Tang, P. Picha, A
Stochastic Model of Cancer Growth with Immune Response, Journal of the
Korean Physical Society, 49, 4 (2006), 1652-1666.
[4] Robbins and Cotran Eds., “Pathologic Basis of Disease,” Elsevier, 2005.
[5] J. W. Baish and R. K. Jain, Fractals and cancer, Cancer Res., 60 (2000), 3683-
3688.
[6] G. Landini, “Complexity in Tumour Growth Patterns,” Fractals in Biology and
Medicine, Vol. II, Birkhauser Verlag, Basel, 1998.
[7] L. Norton, Conceptual and practical implications of breast tissue geometry:
Toward a more effective, less toxic therapy, Oncologist, 10 (2005), 370-381.
[8] E. Sabo, A. Boltenko, Y. Sova, A. Stein, S. Kleinhaus and M. B. Resnick,
Microscopic analysis and significance of vascular architectural complexity in renal
cell carcinoma, Clinical Cancer Research, 7 (2001), 533-537.
[9] R. Sedivy, Ch. Windischberger, K. Svozil, E. Moser and G. Breitenecker, Fractal
analysis: An objective method for identifying atypical nuclei in dysplastic lesions of
the cervix uteri, Gynecologic Oncology, 75 (1999), 78-83.
[10] Z. Bajzer, Gompertzian growth as a self-similar and allometric process, Growth
Dev. Aging, 63 (1999) 3–11.
[11]P. Waliszewski, M. Molski and J. Konarski, Self-similarity, collectivity, and
evolution of fractal dynamics during retinoid-induced differentiation of cancer cell
population. Fractals 7 ,2 (1999), 1–11.
[12] K. Falconer, “Fractal geometry. Mathematical Foundations and Applications,”
Second Edition, John Wiley & Sons Ltd, 2003.
[13] E. S. Chumerina, Choice of Optimal Strategy of Tumor Chemotherapy in
Gompertz Model, journal of Computer and Systems Sciences international, 48,2
(2009), 325-331.
[14] T. E. Weldon, “Mathematical Models in Cancer Research,” Adam Hilger
Publisher, 1988.
[15] F. Kozusko, M. Bourdeau, Z. Bajzer and D. Dingli, A Microenvironment Based
Model of Antimitotic Therapy of Gompertzian Tumor Growth, Bulletin of
Mathematical Biology 69 (2007), 1691–1708.
[16] C. F. Lo, Stochastic Gompertz model of tumor cell growth, Journal of
Theoretical Biology, 248 (2007), 317–321.
[17] T. Prempree , V. Patanaphan, W. Sewchand and R. M. Scott, The Influence of
Patients' Age and Tumor Grade on the Prognosis of Carcinoma of the Cervix,
Cancer, 51, 1, (1983), 764-177.

40
[18] E. M. Toledo Cuevas and A. García Carrancá, P53 and human papillomavirus in
the carcinogenesis of the uterine cervix, Rev. invest. clín, 48, 1, (1996), 59-68.
[19] R. W. Tsang, A. W. Fyles, Y. Li, M. M. Rajaraman, W. Chapman, M. Pintilie and
C. S. Wong, Tumor proliferation and apoptosis in human uterine cervix carcinoma
I: correlations between tumor proliferation and apoptosis, Radiother Oncol, 50
(1999), 85-92.
[20] J.O. Ramsay and B.W. Silverman, “Functional Data Analysis,” Second Edition,
Springer series in statistics, Springer, 2005.
[21] J. P. Freyer and R.M. Sutherland, Proliferative and Clonogenic Heterogeneity of
Cells from EMT6/Ro Multicellular Spheroids Induced by the Glucose and Oxygen
Supply, Cancer Research, 46 (1986) 3504.
[22] P. Castorina, D. Zappalà, Tumor Gompertzian growth by cellular energetic
balance, Physica A, 365 (2006) 473–480.
[23] J. E. Riggs, The Gompertz function: distinguishing mathematical from biological
limitations, Mechanisms of Ageing and Development, 69 (1993), 33-36.
[24] L. Norton, A Gompertzian Model of Human Breast Cancer Growth, Cancer
Research, 48 (1988), 7067-7071.
[25] G. G. Steel, Cell Tissue Kinet., 13 (1980), 451.
[26] F. Kozusko and Z. Bajzer, Combining Gompertzian growth and cell population
dynamics, Math. Biosci., 185 (2003), 153–167.
[27] C. W. Gardiner, “Handbook of Stochastic Methods for Physics, Chemistry and
the Natural Sciences," Third edition, Springer Series in Synergetics, 13, Springer-
Verlag, Berlin, 2004.
[28] N. G. van Kampen, “Stochastic Processes in Physics and Chemistry," N. H.
Publications, Elsevier, 1992.
[29] J. L. Steimer et al., Modelling the genesis and treatment of cancer: The
potential role of physiologically based pharmacodynamics, European journal of
cancer, 46 (2010), 21 –32.
[30] T. Bose and S. Trimper, A stochastic model for tumor growth with immunization,
PACS numbers: 87.10.-e; 87.15.ad; 87.15.Ya; 05.40.-a; 02.50.Ey (2008).
[31] C. F. Lo, Functional Fokker-Planck Equation Approach for a Gompertzian Model
of Tumour Cell Growth, Proceedings of the World Congress on Engineering Vol II
(2007).
[32] C. F. Lo, A modified stochastic Gompertz model for tumor cell growth,
Computational and Mathematical Methods in Medicine, iFirst article, (2009), 1–9.
[33] C. F. Lo, Stochastic Nonlinear Gompertz Model of Tumor Growth, Proceedings
of the World Congress on Engineering Vol II (2009).
[34] E. Izquierdo Kulich and J.M. Nieto Villar, Mesoscopic model for tumor growth,
Mathematical Biosciences and Engineering, 4, 4 (2007), 687–698.
[35] M. Block, E. Schöll, and D. Drasdo, Classifying the expansion kinetics and
critical surface dynamics of growing cell populations, arXiv:physics/0610146 1 19,
(2006).

41
[36] A. Brú, M. Pastor, I. Fernaud, I. Brú, S. Melle, and C. Berenguer, Super-rough
dynamics on tumor growth, Phys. Rev. Lett., 81 (1998), 4008-4011.
[37] E. Izquierdo Kulich and J.M. Nieto Villar, Morphogenesis of the tumor patterns,
Mathematical Biosciences and Engineering, 5, 2 (2008), 299–313.
[38] E. Izquierdo-Kulich, M. Amigó de Quesada, C. M. Pérez Amor, O. Castanella
Saint-Blancard y J. M. Nieto-Villar, Predicción de la agresividad del cáncer a partir
de la morfología del tejido tumoral: aplicación en el estudio del carcinoma
epidermoide de cuello uterino, Revista Cubana de Física, 26, 2B (2009), 246-250.
[39] E. Izquierdo Kulich, M. Amigó de Quesada, C. M. Pérez-Amor, M. Lopes
Texeira and J. M. Nieto Villar, The dynamics of tumor growth and cells pattern
morphology, Mathematical Biosciences and Engineering, 6, 3 (2009), 547–559.
[40] E. Izquierdo Kulich, M. Amigó de Quesada, C. M. Pérez Amor and J.M. Nieto
Villar, Morphogenesis and aggressiveness of cervix carcinoma, Mathematical
Biosciences and Engineering, 8, 4 (2011), 987-997.
[41] P. Waliszewski and J. Konarski, The Gompertzian curve reveals fractal
properties of tumor growth, Chaos, Solitons and Fractals, 16 (2003), 665–674.
[42] P. Waliszewski, M. Molski, J. Konarski, On the modification of fractal self-space
during cell differentiation or tumor progression, Fractals, 8, 2 (2000), 195–203.
[43] P. Waliszewski and J. Konarski, On time–space of nonlinear phenomena with
Gompertzian dynamics, BioSystems, 80 (2005), 91–97.
[44] P. Waliszewski, A principle of fractal-stochastic dualism and Gompertzian
dynamics of growth and self-organization, BioSystems, 82 (2005), 61–73.

42
 Anexo: Prueba de bondad de ajuste de la distribución lognormal al
parámetro  .

38 valores de  en el intervalo (0.20, 0.33)

Parámetros de la distribución lognormal ajustada:
media = 0.26
desviación estándar = 0.03

Pruebas de bondad de ajuste:

Prueba de Chi-cuadrado
Límite inferior Límite Frecuencia Frecuencia Chi-cuadrado
superior observada esperada
por debajo de 0.232 5 5.43 0.03
0.232 0.246 5 5.43 0.03
0.246 0.257 5 5.43 0.03
0.257 0.268 6 5.43 0.06
0.268 0.280 7 5.43 0.45
0.280 0.297 5 5.43 0.03
por encima de 0.297 5 5.43 0.03

Chi-cuadrado = 0.684
P = 0.953
Estadígrafo estimado de Kolmogorov D+ = 0.049
Estadígrafo estimado de Kolmogorov D- = 0.072
Estadígrafo total estimado DN = 0.072
P aproximado = 0.989
Estadígrafo EDF Valor Forma modificada P
Kolmogorov-Smirnov D 0.072 0,454 >0.10
Anderson-Darling A2 0.207 0.207 >0.10