Video Experimental Relacionado
Updated: Sep 9, 2025
Introduction of an Integrated Pathology Image Management, Artificial Intelligence, and Reporting System
Published on: July 11, 2025
El análisis de imágenes de diapositivas completas impulsado por aprendizaje profundo predice subtipos de
Il-San Jeong1,2,3, Jee-Woo Seo2,3, Seung-Jin Park2
1Division of Bio & Medical Bigdata Department (Brain Korea 21 Four), Gyeongsang National University, 52828, Jinju, Republic of Korea.
El aprendizaje profundo en imágenes de diapositivas completas (WSIs) puede predecir los subtipos de quimiorresistencia del cáncer de vejiga invasivo muscular (MIBC). Este método rentable analiza la histología para identificar subtipos, ayudando a la estratificación del paciente para la oncología de precisión.
Área de la Ciencia:
- Patología digital
- Oncología computacional
- Genómica del cáncer
Sus antecedentes:
- El cáncer de vejiga musculoinvasivo (CMI) es agresivo y heterogéneo, con variabilidad en la respuesta al tratamiento.
- Las clasificaciones moleculares como la firma de la quimiorresistencia-motilidad (CrM) son valiosas pero costosas y intensivas en tejidos.
- Se necesitan métodos alternativos y escalables para su aplicación clínica.
Objetivo del estudio:
- Evaluar si el aprendizaje profundo en imágenes de diapositivas completas (WSIs) puede predecir los subtipos de CrM en la CMI.
- Determinar si el aprendizaje profundo basado en WSI refleja las características del microambiente tumoral (TME).
- Para explorar un sustituto rentable para el perfil molecular en MIBC.
Principales métodos:
- Análisis de 192 WSIs de 152 pacientes con TCGA-BLCA.
- Se utilizó un modelo de aprendizaje profundo previamente entrenado (densenet169-kather100k) para la clasificación de tejidos a nivel de parche.
- Derivó una relación SAM-DNT y entrenó un modelo forestal aleatorio para predecir subtipos de CrM.
Principales resultados:
- La relación SAM-DNT derivada de WSI se correlacionó positivamente con las puntuaciones de CrM (R = 0,453) y TME.
- El modelo forestal aleatorio logró una precisión equilibrada de 0,75 en la clasificación de los subtipos de CrM.
- La adiposa (ADI) y el epitelio tumoral (TUM) fueron las características predictivas clave para el estado de CrM.
Conclusiones:
- El aprendizaje profundo en las IMS de rutina ofrece una alternativa práctica y de bajo costo al perfil molecular para el CMI.
- Este enfoque basado en el WSI captura efectivamente los subtipos transcriptómicos relacionados con la quimiorresistencia.
- Permite la estratificación del paciente y apoya la futura oncología de precisión multimodal.
