Una plataforma de patómica basada en aprendizaje profundo podría predecir la respuesta a la inmunoterapia en el cáncer de pulmón

Una plataforma de patómica basada en aprendizaje profundo predijo con precisión los resultados y la respuesta a la inmunoterapia en pacientes con cáncer de pulmón no microcítico (CPNM) metastásico, según un estudio presentado en la Reunión Anual 2026 de la American Association for Cancer Research (AACR). El modelo de inteligencia artificial guiado por biología, denominado Pathology-driven Immunotherapy Optimization (Path-IO), se aplicó a portaobjetos de patología rutinarios y superó a PD-L1, el biomarcador estándar actual.

Los investigadores desarrollaron Path-IO como un modelo de predicción de supervivencia basado en aprendizaje profundo que analiza imágenes de portaobjetos de patología e identifica características específicas, o nichos, dentro del microambiente tumoral. Al combinar estos patrones tisulares con datos de imagen y clínicos, el modelo estima si un paciente tiene un riesgo mayor o menor de malos resultados con la inmunoterapia. El estudio incluyó a 797 pacientes con CPNM tratados con inhibidores de puntos de control inmunitario del UT MD Anderson Cancer Center, con validación externa en 280 pacientes adicionales de Mayo Clinic, Gustave Roussy y el ensayo de fase III Lung-MAP S1400I. En la cohorte de UT MD Anderson, los pacientes del grupo de alto riesgo tuvieron más del doble del riesgo de muerte o progresión de la enfermedad en comparación con los del grupo de bajo riesgo, y se observó una estratificación comparable en los conjuntos de datos de validación.

El rendimiento se midió utilizando el índice de concordancia (C-index). Path-IO logró índices C de 0.69 para la supervivencia global (SG) y 0.65 para la supervivencia libre de progresión (SLP) en la cohorte de descubrimiento, y de 0.63 para SG y 0.58 para SLP en la cohorte de prueba. Por el contrario, PD-L1 tuvo índices C de 0.58 (SG) y 0.57 (SLP) en la cohorte de descubrimiento, que disminuyeron a 0.50 y 0.51 en la cohorte de prueba. La combinación de las predicciones basadas en patología con radiómica y datos clínicos mejoró aún más el índice C, de 0.58 a 0.70 para SLP y de 0.63 a 0.75 para SG.

A diferencia de estudios previos de patómica, Path-IO es un enfoque guiado por biología que fundamenta sus predicciones en estructuras tisulares familiares para los clínicos, reflejando cómo los patólogos interpretan el tejido de forma natural. Las predicciones del modelo se correlacionaron con perfiles inmunológicos y datos de imágenes multiplex, ya que las puntuaciones de riesgo más altas correspondieron a fenotipos menos propensos a ser sensibles a la inmunoterapia. Esto proporciona evidencia biológica de por qué ciertos pacientes pueden tener mejores o peores resultados. Dado que el enfoque utiliza portaobjetos de patología rutinarios, si se valida como herramienta predictiva, podría incorporarse a los flujos de trabajo clínicos existentes sin un gasto significativo. El estudio representa el primer biomarcador de patómica basado en aprendizaje profundo rigurosamente validado en cohortes internacionales del mundo real y un ensayo clínico aleatorizado de fase III.