Un nuevo modelo de IA predice mutaciones de TP53 en 32 cánceres; los modelos de EGFR muestran variabilidad según la ascendencia
Un nuevo modelo de IA predice mutaciones de TP53 en 32 tipos de cáncer. Los modelos de predicción de EGFR varían según la ascendencia. Una revisión de patología mamaria encuentra que la IA mejora la precisión, pero señala barreras.
Los investigadores han desarrollado un nuevo modelo de IA que puede analizar una imagen histopatológica completa de rutina y predecir simultáneamente el subtipo de cáncer, mutaciones genéticas específicas y resultados de supervivencia en 32 cánceres sólidos diferentes. Un estudio independiente que evaluó dos modelos de IA de código abierto para la predicción de EGFR encontró que el rendimiento del modelo varía según la ascendencia del paciente, con una disminución de la precisión en pacientes asiáticos.
El modelo basado en Vision Transformer de IA se entrenó con un conjunto de datos que incluía más de 11.000 casos de tumores primarios del Pan-Cancer Atlas, con los correspondientes datos de mutaciones somáticas, secuenciación de ARN y resultados clínicos. Logró una puntuación de precisión predictiva sólida (AUROC de 0,766) para la detección de mutaciones de TP53 en 32 tipos de tumores sólidos en un conjunto de validación independiente de 1.729 láminas. El modelo también demostró la capacidad de inferir los niveles de expresión de ARN de TP53 y la taxonomía tumoral directamente a partir de imágenes de láminas completas. Debido a que las imágenes de láminas completas son extremadamente grandes y complejas, los investigadores desplegaron una estrategia de aprendizaje débilmente supervisado, lo que permite al modelo aprender a partir de etiquetas a nivel de lámina sin requerir anotaciones exhaustivas a nivel de píxel o región. Los hallazgos del estudio en The American Journal of Pathology, publicado por Elsevier, destacan el potencial de la patología computacional para conectar la imagen diagnóstica de rutina con la oncología molecular.
El investigador colíder del Menzies Institute for Medical Research y la Facultad de Medicina de la Universidad de Tasmania explicó: “El perfil molecular estándar para las mutaciones de TP53 suele ser costoso e inaccesible en entornos clínicos desfavorecidos o remotos. Desarrollamos un solo modelo que puede generar siete resultados simultáneamente a partir de la imagen histopatológica completa, incluidos el estado de mutación de TP53, la expresión de ARN de TP53, el tipo de tumor y los resultados relacionados con la supervivencia a nivel de lámina.” Otro investigador colíder señaló que el enfoque podría ayudar a identificar a los pacientes que podrían beneficiarse de pruebas moleculares confirmatorias, apoyar la clasificación en entornos con pruebas genómicas limitadas y proporcionar apoyo adicional a los médicos para la toma de decisiones, al tiempo que enfatizó que debería ser complementario a las pruebas moleculares, no un reemplazo.
En un estudio de pacientes con adenocarcinoma de pulmón (LUAD), los investigadores validaron la reproducibilidad de dos modelos de IA de código abierto, EAGLE y DeepGEM, para la predicción de EGFR a partir de imágenes de láminas completas teñidas con hematoxilina-eosina (H&E). Los AUC reproducidos en el conjunto de datos TCGA LUAD (n = 463) coincidieron con los resultados publicados: 0,89 (IC del 95%, 0,85-0,93) para EAGLE y 0,88 (IC del 95%, 0,82-0,93) para DeepGEM. En total, se incluyeron 2.098 pacientes con LUAD. En la cohorte del Dana-Farber Cancer Institute (DFCI) (n = 1.759), EAGLE mostró un AUC de 0,83 (IC del 95%, 0,81-0,85) frente a 0,68 (IC del 95%, 0,65-0,70) para DeepGEM. En la cohorte TNM-I con sede en la UE (n = 339), EAGLE volvió a superar a DeepGEM con un AUC de 0,81 (IC del 95%, 0,74-0,88) frente a 0,75 (IC del 95%, 0,68-0,83).
Las mutaciones de EGFR fueron más frecuentes entre los pacientes asiáticos (60 [63%]), seguidas de los pacientes africanos (17 [31%]) en la cohorte DFCI. EAGLE mantuvo un rendimiento sólido (AUC >0,80) en la mayoría de los grupos de ascendencia, pero su AUC cayó a 0,68 (IC del 95%, 0,55-0,78) en pacientes asiáticos. El estudio también señaló que, en una encuesta global reciente realizada en 90 países, más del 40% de los médicos informaron tratar a los pacientes antes de que estuvieran disponibles los resultados de biomarcadores, y se identificaron el costo, el tiempo de respuesta, la calidad de las muestras y el acceso como las principales barreras.
Una revisión independiente sobre la IA en patología mamaria encontró que la inteligencia artificial está remodelando la patología mamaria diagnóstica al mejorar la precisión diagnóstica, la eficiencia y la reproducibilidad. La revisión documenta aplicaciones clínicas que incluyen la detección de metástasis en ganglios linfáticos, la gradación de Nottingham, la clasificación de lesiones benignas versus malignas, la cuantificación automatizada de biomarcadores, la predicción pronóstica, la estratificación del riesgo y el análisis del microambiente tumoral. Las barreras comunes para la implementación en el mundo real incluyen la calidad y el sesgo de los datos, las consideraciones regulatorias, el costo y la infraestructura, y el desafío de integrar las herramientas en los flujos de trabajo de laboratorio existentes.