El análisis espacial basado en el aprendizaje profundo de imágenes de células tumorales e inmunes de la patología...

Área de la Ciencia:

• En el campo de la oncología
• Patología computacional
• Inmunología

Sus antecedentes:

• El cáncer de vejiga musculoinvasivo (MIBC, por sus siglas en inglés) es un cáncer maligno agresivo con mal pronóstico.
• La identificación de biomarcadores pronósticos confiables es crucial para mejorar los resultados de los pacientes.

Objetivo del estudio:

• Investigar la correlación entre la distribución espacial de los agregados de linfocitos y el pronóstico de MIBC.
• Desarrollar y validar un modelo de aprendizaje profundo para el análisis automatizado de imágenes de diapositivas completas (WSIs).

Principales métodos:

• Se recogieron WSIs y datos clínicos de los conjuntos de datos de microarrays TCGA y HBlaU079Su01.
• Desarrolló una tubería de red neuronal convolucional (CNN) para la segmentación y clasificación automáticas de regiones de tumores y linfocitos.
• Se evaluaron 12 indicadores espaciales y se realizó un análisis multiómico para explorar las relaciones con los factores clínicos y el microambiente inmune.

Principales resultados:

• Los modelos CNN lograron una alta precisión en la identificación de las células tumorales (AUC=0,944) y los agregados linfoides (AUC=0,934).
• El indicador "Lymph_inside %" mostró un valor pronóstico significativo y fue validado en una cohorte independiente.
• El análisis Multiomics reveló correlaciones positivas entre 'Lymph_inside %' y las vías de inmunidad antitumoral y apoptosis.

Conclusiones:

• "Lymph_inside %" es un biomarcador prometedor para predecir el pronóstico de CMI.
• Este estudio introduce un nuevo enfoque basado en el aprendizaje profundo para el descubrimiento de biomarcadores pronósticos utilizando patrones espaciales de agregados de linfocitos.