Integración de la expresión génica y la histología digital para predecir respuestas específicas al tratamiento en el...

Área de la Ciencia:

• En el campo de la oncología
• Patología computacional
• La bioinformática

Sus antecedentes:

• La patología digital y el aprendizaje profundo ofrecen nuevas vías para analizar imágenes histopatológicas.
• Las firmas de expresión génica (GES) son biomarcadores cruciales para predecir la respuesta al tratamiento en el cáncer de mama.
• Las pruebas moleculares tradicionales para el GES pueden ser costosas y demoradas.

Objetivo del estudio:

• Desarrollar y validar modelos de aprendizaje profundo para inferir firmas de expresión génica de biopsias de cáncer de mama teñidas con H&E.
• Evaluar la precisión predictiva de la GES derivada de la histología para la respuesta patológica completa (PCR) a la quimioterapia neoadyuvante.
• Explorar la utilidad de GES basado en histología en la estratificación de pacientes e informar la selección de tratamiento de precisión.

Principales métodos:

• Modelos de aprendizaje profundo basados en transformadores optimizados para inferir GES a partir de imágenes de histología digital.
• Modelos aplicados a las biopsias coloreadas con H&E de 1,940 pacientes con cáncer de mama en ensayos clínicos y cohortes del mundo real.
• Modelos predictivos validados para la PCR en múltiples cohortes independientes, comparando el rendimiento con las características clínicas y las evaluaciones del patólogo.

Principales resultados:

• Un modelo basado en transformadores que predijo la pCR en pacientes HER2-negativos logró un AUC de 0,794, superando a los modelos clínicos (AUC de 0,704).
• La GES derivada de la histología estratificó a los pacientes en grupos con probabilidades significativamente diferentes de pCR (≥50% en el tercio superior).
• Los modelos adicionales predijeron la respuesta a terapias específicas más allá de la quimioterapia, y la combinación de la expresión génica con la histología mejoró las predicciones.

Conclusiones:

• Las firmas de expresión génica basadas en la histología derivadas a través del aprendizaje profundo son poderosos predictores de la respuesta a la quimioterapia neoadyuvante en el cáncer de mama.
• Este enfoque de patología digital proporciona una alternativa accesible y rentable a las pruebas moleculares, mejorando las estrategias de tratamiento de precisión.
• La GES derivada de la histología ofrece un valor añadido a los datos de expresión génica, apoyando su integración en la toma de decisiones clínicas para diversos subtipos de cáncer de mama.