Aprendizaje profundo explicable para predecir la expresión de HER-2 en el cáncer de mama: un estudio multicéntrico

Área de la Ciencia:

• Oncología
• Imágenes Médicas
• Inteligencia Artificial

Sus antecedentes:

• El receptor 2 del factor de crecimiento epidérmico humano (HER-2) es un biomarcador crítico para el pronóstico del cáncer de mama y la selección del tratamiento.
• La evaluación actual de HER-2 requiere una biopsia de tejido invasiva, lo que implica riesgos y costos para los pacientes.

Objetivo del estudio:

• Crear un marco de imágenes de aprendizaje profundo interpretable para la predicción no invasiva de la expresión preoperatoria de HER-2 en el cáncer de mama.
• Desarrollar una herramienta que pueda ayudar en la estratificación preoperatoria del paciente y la planificación del tratamiento.

Principales métodos:

• Análisis retrospectivo de datos de resonancia magnética y registros clínicos de 450 pacientes con cáncer de mama con estado de HER-2 confirmado.
• Desarrollo de una red neuronal profunda basada en ResNet para generar una puntuación de probabilidad de positividad de HER-2 (puntuación D).
• Integración de la puntuación D con predictores clínicos independientes para un modelo predictivo combinado, validado mediante análisis ROC.

Principales resultados:

• El modelo combinado de aprendizaje profundo logró un AUC de 0.809 en la validación externa, superando al modelo clínico.
• El análisis de interpretabilidad destacó la puntuación D, el realce del borde y el diámetro de los ganglios linfáticos como predictores clave.
• El modelo demostró una predicción precisa, no invasiva e interpretable de la expresión de HER-2.

Conclusiones:

• El marco de aprendizaje profundo propuesto ofrece un método preciso y no invasivo para predecir la expresión de HER-2 en el cáncer de mama.
• Esta herramienta puede servir potencialmente como un método de estratificación preoperatoria, guiando el tratamiento individualizado y reduciendo la dependencia de biopsias invasivas.