Caracterización genómica del cáncer de pulmón en personas que nunca han fumado utilizando el aprendizaje profundo

Área de la Ciencia:

• Patología computacional y bioinformática
• Inteligencia artificial en oncología
• Diagnóstico molecular

Sus antecedentes:

• El aprendizaje profundo muestra potencial para inferir características genéticas de imágenes de diapositivas completas (WSIs).
• Existen investigaciones limitadas sobre la aplicación de estos métodos al adenocarcinoma pulmonar de no fumadores (NS-LUAD), un subconjunto distinto de cáncer.
• Los modelos existentes a menudo se centran en poblaciones de fumadores con un alcance molecular restringido y un rendimiento variable.

Objetivo del estudio:

• Desarrollar y validar una red neuronal convolucional profunda personalizada para la clasificación de múltiples etiquetas de NS-LUAD.
• Permitir la predicción simultánea de 16 alteraciones moleculares directamente desde los WSIs teñidos con H&E.
• Optimizar el modelo para reducir la complejidad computacional mientras se mantiene la precisión predictiva.

Principales métodos:

• Se diseñó una red neuronal convolucional profunda personalizada basada en ResNet50 con modificaciones arquitectónicas para la clasificación de múltiples etiquetas.
• El modelo incorporaba un bloque residual simplificado, conexiones de acceso directo selectivas y una cabeza de clasificación basada en sigmoides.
• La capacitación y la evaluación se llevaron a cabo en 495 WSIs del estudio Sherlock-Lung utilizando una validación cruzada de 10 veces y un conjunto de validación prolongada.

Principales resultados:

• El modelo logró altos valores de AUROC (0.84-0.93) para 11 características moleculares, incluidas mutaciones de EGFR, mutaciones de KRAS, mutaciones de TP53, mutaciones de RBM10, amplificación de MDM2, kataegis, deleción de CDKN2A, fusión de ALK y duplicación de todo el genoma.
• El rendimiento para la carga mutacional tumoral (AUROC=0,67), la firma APOBEC (AUROC=0,57) y las mutaciones específicas de los puntos calientes KRAS (p.G12C: AUROC=0,74, p.G12V: AUROC=0,55, p.G12D: AUROC=0,43) fue moderado a bajo.
• El modelo propuesto demostró un rendimiento significativamente mejorado en comparación con las arquitecturas establecidas como Inception-v3 para la mayoría de las características.

Conclusiones:

• El modelo de aprendizaje profundo desarrollado predice efectivamente múltiples alteraciones moleculares en NS-LUAD de WSIs.
• Este enfoque tiene potencial para mejorar la clasificación de pacientes para pruebas moleculares.
• Una mayor optimización podría conducir a estrategias de tratamiento de mayor precisión para los pacientes con NS-LUAD.