Diagnóstico de cáncer de próstata mediante clasificadores de aprendizaje automático sensibles y sofisticados basados...

Área de la Ciencia:

• Urología
• Oncología
• Biomarcadores
• Aprendizaje automático

Sus antecedentes:

• El cáncer de próstata (CaP) es una de las principales neoplasias malignas a nivel mundial en hombres.
• Los métodos de cribado actuales, como las pruebas de PSA y el tacto rectal (TR), carecen de especificidad, lo que lleva a un sobrediagnóstico y sobretratamiento.
• Existe una necesidad crítica de herramientas de diagnóstico precisas y no invasivas para el CaP.

Objetivo del estudio:

• Desarrollar y validar un nuevo marco diagnóstico, PCASSO, para la detección precisa del cáncer de próstata.
• Integrar el aprendizaje automático (ML) con biomarcadores de ARN urinario para mejorar el rendimiento diagnóstico.
• Evaluar la utilidad de este marco en la zona gris de PSA clínicamente ambigua.

Principales métodos:

• Se recolectaron 163 muestras de orina (112 CaP, 51 hiperplasia benigna de próstata [HBP]).
• Se analizaron 20 biomarcadores de ARN urinario (lncRNAs, gen de fusión, miRNAs) mediante PCR cuantitativa.
• Se evaluaron seis clasificadores de ML, centrándose en un modelo Gradient Boosting con un panel optimizado de 9 biomarcadores.

Principales resultados:

• El modelo Gradient Boosting logró una alta precisión diagnóstica (AUC: 0.99).
• Los sólidos resultados de validación cruzada (Stratified-K-Fold: 0.912; LOOCV: 0.890) confirmaron la estabilidad del modelo.
• El clasificador demostró una alta precisión en pacientes dentro de la zona gris de PSA (3-10 ng/mL).

Conclusiones:

• La clasificación basada en ML de biomarcadores de ARN urinario sin tacto rectal ofrece un enfoque no invasivo prometedor para el diagnóstico del cáncer de próstata.
• El marco PCASSO muestra potencial para mejorar la precisión diagnóstica y ayudar en la toma de decisiones clínicas.
• Se requieren estudios de validación adicionales para establecer este método en la práctica clínica.