Modelo de aprendizaje profundo para predecir la extensión extraprostática del cáncer de próstata basado en imágenes...

Área de la Ciencia:

• Patología digital
• Inteligencia artificial en oncología
• Diagnóstico del cáncer de próstata

Sus antecedentes:

• El diagnóstico y la estadificación del cáncer de próstata (PCa) son fundamentales para la planificación del tratamiento.
• La extensión extraprostática (EPE) es un factor pronóstico clave en la PCa.
• La predicción preoperatoria precisa de la EPE sigue siendo un desafío.

Objetivo del estudio:

• Desarrollar y validar una línea de aprendizaje profundo para predecir EPE a partir de diapositivas de biopsia de próstata H&E.
• Evaluar el rendimiento y la interpretabilidad del modelo.
• Explorar la correlación entre las probabilidades de EPE previstas y la recurrencia bioquímica (BCR).

Principales métodos:

• Se utilizaron 2592 diapositivas H&E de 260 pacientes PCa sometidos a una prostatectomía radical.
• Se empleó un enfoque de aprendizaje profundo con aprendizaje de instancias múltiples para la predicción de EPE.
• Se ha llevado a cabo un análisis de interpretabilidad y un análisis de correlación con el BCR.

Principales resultados:

• El modelo ConvNeXt logró una alta precisión en la clasificación de tumores (AUC 0,981) y la predicción de EPE (AUC 0,886 en el conjunto de ensayos).
• Características nucleares identificadas como características clave asociadas con el EPE.
• Se ha demostrado una fuerte correlación entre las probabilidades de EPE previstas y el BCR (p=0,01).

Conclusiones:

• Un modelo de patología de IA puede predecir con precisión la EPE postoperatoria utilizando diapositivas de biopsia.
• Esto ofrece una herramienta factible de estratificación del riesgo preoperatorio para PCa.
• El modelo ayuda en estrategias de tratamiento personalizadas para pacientes con PCa.