Modelo de IA predice eficazmente resultados de pacientes con cáncer de pulmón

El adenocarcinoma de pulmón, la forma más común de cáncer de pulmón de células no pequeñas (CPCNP), suele adoptar uno de seis patrones de crecimiento distintos, que a menudo combinan múltiples patrones dentro de un mismo tumor. Un sistema de clasificación global desarrollado por la Asociación Internacional para el Estudio del Cáncer de Pulmón (IASLC) vincula estos patrones de crecimiento con la probabilidad de progresión o recurrencia de la enfermedad. Sin embargo, la presencia de múltiples tipos de patrones dentro de un tumor y la variación en la forma en que cada patrón se manifiesta en diferentes tumores complica la tarea de determinar el pronóstico de un paciente. Esta complejidad, sumada al desafío de definir y cuantificar estos patrones de crecimiento, a menudo genera discrepancias en la clasificación tumoral entre los patólogos. Como resultado, una clasificación inconsistente o subóptima podría resultar en que los pacientes reciban un tratamiento inadecuado o inapropiado, lo que podría comprometer sus resultados. Si bien estudios previos han explorado el uso de modelos de aprendizaje profundo para clasificar los patrones de crecimiento en el adenocarcinoma de pulmón, estos modelos generalmente no han considerado la estructura morfológica detallada de los patrones ni han sido capaces de realizar la clasificación automatizada de la IASLC.

En respuesta a este desafío, los investigadores del Instituto de Investigación del Cáncer (ICR, Londres, Reino Unido) han desarrollado un modelo basado en inteligencia artificial (IA) diseñado para ayudar a los patólogos a clasificar los tumores de cáncer de pulmón y predecir los resultados de los pacientes mediante el análisis de los patrones de crecimiento tumoral, que pueden variar considerablemente entre individuos. En un estudio reciente, el equipo del ICR demostró que el modelo, llamado ANORAK (pyrAmid pooliNg crOss stReam Attention networK), fue capaz de predecir la supervivencia libre de enfermedad (SSE), una medida crítica del tiempo transcurrido entre el tratamiento del adenocarcinoma de pulmón y el regreso de los síntomas o signos de la enfermedad. A largo plazo, el modelo podría ayudar a los médicos a determinar las estrategias de tratamiento más eficaces basadas en la progresión prevista del cáncer. Esta mejor toma de decisiones podría, en última instancia, conducir a mejores resultados para los pacientes, especialmente a la luz de los recientes avances en los programas de detección del cáncer que han llevado a más diagnósticos de cáncer de pulmón en etapa temprana, lo que subraya la necesidad de mejores decisiones de tratamiento. La investigación, realizada por científicos del ICR, fue publicada en Nature Cancer.

En este estudio, los investigadores utilizaron ANORAK para evaluar seis tipos de patrones de crecimiento de adenocarcinoma de pulmón a nivel de píxel. Aplicaron el modelo a 5.540 muestras tumorales de portaobjetos de diagnóstico, que provenían de 1.372 pacientes con la enfermedad. El modelo demostró ser eficaz para mejorar la estratificación del riesgo de los pacientes, mostrando que aquellos con tumores de grado 1 o 2 de la IASLC tuvieron una SSE significativamente más larga que aquellos con tumores de grado 3. Para validar la clasificación de IA, los investigadores la compararon con los resultados de la clasificación manual de tres patólogos. Encontraron que la clasificación de ANORAK era consistente con las evaluaciones de los patólogos, incluso superándolas ligeramente para una cohorte de pacientes. Al hacer referencia a estudios previos, el equipo confirmó que la concordancia entre la IA y la clasificación manual en el patrón de crecimiento predominante de un tumor era comparable al nivel de concordancia que se observa típicamente entre diferentes patólogos.

El estudio concluyó que la clasificación mediante IA aporta un valor pronóstico significativo, especialmente en el adenocarcinoma de pulmón en fase inicial, donde las decisiones de tratamiento suelen ser complejas. En la segunda fase del estudio, los investigadores examinaron cuatro escenarios específicos que suelen ser difíciles para los patólogos, incluyendo casos con múltiples portaobjetos de diagnóstico por tumor y aquellos con patrones de crecimiento muy diversificados. ANORAK tuvo un buen rendimiento en los cuatro escenarios, lo que demuestra su potencial para ayudar a los patólogos incluso en casos complejos. Además, los investigadores se centraron en el patrón acinar, el más común de los seis patrones de crecimiento, utilizando ANORAK para comprender mejor sus estructuras y formas. También identificaron correlaciones entre diferentes subtipos acinares y características tumorales, algunas de las cuales se asociaron con peores pronósticos. En el futuro, los investigadores planean incorporar datos genéticos a su modelo para comprender mejor la progresión tumoral y la influencia de las células y tejidos circundantes. El equipo también pretende probar ANORAK en grupos más amplios de pacientes con adenocarcinoma de pulmón en fase inicial para obtener más evidencia de su eficacia.

“Las imprecisiones diagnósticas y la variabilidad entre patólogos son problemas de larga data en el adenocarcinoma de pulmón. Nuestro estudio es el primero en implementar el sistema de clasificación de la IASLC con una herramienta basada en IA y validar los valores pronósticos en dos cohortes distintas”, afirmó el Dr. Xiaoxi Pan, entonces becario de formación postdoctoral en el Grupo de Patología Computacional y Genómica Integrativa del ICR y primer autor. “Nuestro método de IA permite la cuantificación precisa y automatizada de patrones de crecimiento únicos dentro de un tumor, infiriendo así el patrón predominante y la clasificación. También ha identificado características morfológicas y espaciales previamente desconocidas de ciertos tejidos que no se podían obtener mediante algoritmos existentes ni observaciones humanas”.

Enlaces relacionados:
ICR

Visitar la expo >

Miembro Platino

PRUEBA RÁPIDA COVID-19

OSOM COVID-19 Antigen Rapid Test

Magnetic Bead Separation Modules
MAG and HEATMAG

PRUEBA DE ANTIPÉPTIDO CÍCLICO CITRULINADO

GPP-100 Anti-CCP Kit

Miembro Oro

Parainfluenza Virus Test

PARAINFLUENZA ELISA