Un modelo pronóstico multimodal clinico-histológico-genómico basado en aprendizaje profundo en el cáncer de próstata

Área de la Ciencia:

• Oncología
• Patología Computacional
• Bioinformática

Sus antecedentes:

• El cáncer de próstata es una de las principales causas de mortalidad por cáncer.
• Los sistemas actuales de estratificación de riesgos carecen de integración de características tumorales multidimensionales.
• Existe la necesidad de mejorar los modelos pronósticos para la toma de decisiones terapéuticas personalizadas.

Objetivo del estudio:

• Desarrollar un modelo pronóstico multimodal basado en aprendizaje profundo para el cáncer de próstata.
• Integrar firmas genómicas, características histomorfológicas de imágenes de cortes completos (WSI) y parámetros clínicos.
• Mejorar la estratificación de riesgos y la toma de decisiones terapéuticas en pacientes con cáncer de próstata.

Principales métodos:

• Se desarrolló un marco de aprendizaje profundo utilizando The Cancer Genome Atlas (TCGA) para el entrenamiento y el ensayo de Cáncer de Próstata, Pulmón, Colorrectal y Ovario (PLCO) para la validación.
• El modelo extrajo características histopatológicas de WSI teñidas con H&E, predijo puntuaciones genómicas e histopatológicas, y las integró con variables clínicas utilizando regresión de Cox.
• El rendimiento se evaluó utilizando análisis de Kaplan-Meier, índice de concordancia de Harrell y regresión multivariante de Cox.

Principales resultados:

• La puntuación pronóstica multimodal demostró una precisión superior (C-index: 0.774) en comparación con las puntuaciones unimodales y la estratificación de riesgos de la NCCN (C-index: 0.706-0.746, p < 0.05).
• Los pacientes de alto riesgo identificados por el modelo mostraron intervalos de progresión libre significativamente más cortos y una mayor mortalidad específica del cáncer de próstata.
• El análisis de subgrupos reveló trayectorias de supervivencia distintas dentro de los pacientes de alto riesgo de la NCCN, y el enriquecimiento de conjuntos de genes vinculó las puntuaciones con las vías tumorales.

Conclusiones:

• El modelo integrador infiere computacionalmente características genómicas a partir de la histopatología, reduciendo la dependencia de las pruebas genómicas.
• Este enfoque mejora significativamente la precisión pronóstica y estratifica poblaciones de pacientes heterogéneas.
• La puntuación pronóstica ofrece potencial clínico para la evaluación de riesgos personalizada y estrategias terapéuticas optimizadas al refinar las clasificaciones de la NCCN.