ESPWA: una herramienta de aprendizaje profundo para el uso basado en la precisión de la terapia endocrina en entornos...

Área de la Ciencia:

• Patología computacional
• Inteligencia artificial en oncología
• Histopatología digital para el diagnóstico del cáncer

Sus antecedentes:

• La morbilidad por cáncer afecta de manera desproporcionada a los países de ingresos bajos y medios (PIBM).
• La evaluación tardía o no disponible del estado de los receptores de estrógeno (ER) dificulta el tratamiento endocrino (ET) del cáncer de mama en los pacientes con ICM.
• El uso empírico de ET conduce a tratamientos ineficaces y tóxicos para pacientes con ER negativo.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje profundo (DL), ESPWA (Predicción del estado del receptor de estrógenos para pacientes haitianos utilizando análisis de imágenes de diapositivas enteras de histopatología habilitadas para aprendizaje profundo), para la predicción del estado de ER.
• Evaluar el rendimiento de ESPWA directamente a partir de imágenes de diapositivas enteras (WSIs) teñidas con hematoxilina y eosina (H&E).
• Proporcionar una herramienta accesible para el perfil de tumores en entornos con recursos limitados.

Principales métodos:

• Entrenado dos modelos de DL utilizando el aprendizaje de múltiples instancias basado en la atención con poca supervisión en H&E WSIs con el estado de ER coincidente.
• Utilizado el Atlas del Genoma del Cáncer (TCGA) y las cohortes de Zanmi Lasante (ZL) de Haití para la capacitación y validación del modelo.
• Se evaluó el rendimiento del modelo utilizando una validación cruzada de 10 veces y se comparó con un patólogo de mama académico.

Principales resultados:

• ESPWA demostró un rendimiento mejorado (AUROC=0,790) en la cohorte haitiana (ZL) en comparación con un modelo entrenado únicamente con datos TCGA (AUROC=0,671).
• ESPWA superó a un patólogo de mama académico en la determinación del estado de ER de H&E WSIs (precisión: 0.726 frente a 0.639).
• Los análisis de subgrupos identificaron poblaciones específicas de pacientes donde el ESPWA mostró un rendimiento mejorado.

Conclusiones:

• ESPWA proporciona un marco accesible para predecir el estado de ER de H&E WSIs, permitiendo conocimientos terapéuticos individualizados en LMIC.
• El rendimiento del modelo supera al de los patólogos expertos en esta tarea específica.
• Se están llevando a cabo ensayos clínicos en Haití y el África subsahariana para orientar el uso de ET de precisión para posibles pacientes con cáncer de mama.