Inteligencia artificial explicable para predecir firmas inflamatorias y heterogeneidad molecular espacial desde la...

Área de la Ciencia:

• Inteligencia artificial en la patología
• Biología computacional
• Medicina de precisión

Sus antecedentes:

• La rinosinusitis crónica con pólipos nasales (CRSwNP) es una afección compleja con perfiles inflamatorios variados.
• La identificación precisa de los endotipos de CRSwNP es crucial para un tratamiento eficaz.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje profundo utilizando imágenes histológicas para predecir firmas genéticas inflamatorias y patrones espaciales en CRSwNP.
• Validar la capacidad del modelo para identificar endotipos distintos de CRSwNP.

Principales métodos:

• Desarrolló HE2Signature, un modelo de aprendizaje profundo entrenado en WSIs de pólipos nasales teñidos de H&E y datos transcriptómicos.
• Valida el modelo internamente (n=30) y externamente (n=224) en múltiples centros médicos.
• Evaluación del rendimiento mediante correlación, matriz de confusión, curvas ROC e inmunohistoquímica para la validación espacial.

Principales resultados:

• HE2Signature predijo con precisión la expresión de los genes de la firma 28/33.
• El modelo logró estratificar a los pacientes en endotipos T1, T2 y T3 con valores de AUC altos (0,833- 0,935).
• La predicción de la expresión génica se correlacionó con las puntuaciones clínicas y el recuento de eosinófilos, particularmente en las regiones subepiteliales.

Conclusiones:

• Introdujo el primer modelo de aprendizaje profundo explicable basado en histología para predecir firmas inflamatorias y heterogeneidad espacial de CRSwNP.
• La histopatología impulsada por IA puede generar biomarcadores digitales, vinculando patrones de tejido a perfiles moleculares para el manejo de CRSwNP guiado por endotipo.
• Este enfoque apoya la identificación rápida y rentable de los endotipos CRSwNP para la medicina de precisión en la práctica clínica.