Aprendizaje profundo multimodal para la predicción de la respuesta a la inmunoterapia y el descubrimiento de...

Área de la Ciencia:

• En el campo de la oncología
• Biología computacional
• La informática médica

Sus antecedentes:

• La inmunoterapia, en particular los tratamientos anti-PD-L1, es prometedora para el cáncer de pulmón de células no pequeñas avanzado (CPNPC).
• La predicción de la respuesta del paciente a la inmunoterapia sigue siendo un desafío clínico significativo.

Objetivo del estudio:

• Desarrollar y validar DeepAFM, un nuevo modelo multimodal de aprendizaje profundo.
• DeepAFM integra la histopatología, las características genómicas y los datos clínicos para predecir la respuesta de la inmunoterapia en el CPNM avanzado.

Principales métodos:

• Se utilizaron imágenes histopatológicas de diapositivas completas, alteraciones genómicas y variables clínicas de 93 pacientes con CPNM avanzado.
• VQVAE2 auto-supervisado empleado para el aprendizaje de la representación histopatológica, seguido de PCA y agrupación de medios K.
• Características multimodal integradas en el modelo de predicción DeepAFM.

Principales resultados:

• DeepAFM logró un alto rendimiento predictivo con un área bajo la curva (AUC) de 0,77.
• Los mapas de calor basados en la atención identificaron patrones patológicos críticos, mutaciones genómicas e indicadores clínicos relacionados con la respuesta a la inmunoterapia.

Conclusiones:

• La integración multimodal de datos en DeepAFM captura interacciones complejas, mejorando la interpretabilidad y precisión de la predicción de la respuesta inmunológica.
• El modelo ofrece ideas para estrategias de tratamiento personalizadas y descubrimiento de biomarcadores en CPNM avanzado.