La red de transformadores de visión descubre el valor pronóstico de las secciones de patología del cáncer de páncreas...

Área de la Ciencia:

• Patología digital
• Oncología computacional
• Inteligencia artificial en la medicina

Sus antecedentes:

• Las secciones patológicas contienen datos diagnósticos valiosos, pero su potencial pronóstico permanece en gran medida sin explotar.
• La oncología de precisión busca personalizar el tratamiento del cáncer en función de las características individuales del paciente.
• El cáncer de páncreas tiene un mal pronóstico, lo que requiere métodos mejorados para predecir los resultados.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje profundo para predecir los resultados de los pacientes utilizando imágenes de diapositivas completas de cáncer de páncreas.
• Evaluar el valor pronóstico de las características histopatológicas extraídas por un modelo modificado de transformador visual (ViT).
• Establecer puntuaciones de riesgo interpretables para estratificar a los pacientes con cáncer de páncreas.

Principales métodos:

• Análisis de imágenes de diapositivas enteras teñidas de H&E de bases de datos públicas y pacientes del mundo real.
• Desarrollo de un modelo modificado de Transformador Visual (ViT) con atención espacial, afinado en ImageNet2012.
• Predicción de la supervivencia global (OS) y la supervivencia libre de enfermedad (DFS) utilizando el modelo ViT y el cálculo de las puntuaciones de riesgo del paciente.

Principales resultados:

• El modelo ViT modificado logró una alta precisión predictiva, con índices C de 0,79 (OS) y 0,82 (DFS) en el conjunto de pruebas.
• Las puntuaciones de riesgo generadas por el modelo se correlacionaron significativamente con la supervivencia del paciente, con puntuaciones más altas que indicaban un peor pronóstico.
• El modelo demostró un fuerte rendimiento con AUC de 0,813-0,849 para la predicción de OS y DFS en los conjuntos de entrenamiento y pruebas.

Conclusiones:

• Los modelos de aprendizaje profundo, específicamente la red ViT modificada, pueden extraer efectivamente información de pronóstico de las diapositivas de patología del cáncer de páncreas.
• Las puntuaciones de riesgo interpretables derivadas del modelo ofrecen un nuevo enfoque para la evaluación del pronóstico y la estratificación del riesgo clínico.
• Este estudio destaca el potencial de integrar la patología digital impulsada por la IA en los diagnósticos clínicos existentes para mejorar el manejo del cáncer de páncreas.