Generación de expresión génica intermodal a partir de histopatología del cáncer para mejorar las predicciones de IA...

Área de la Ciencia:

• Oncología
• Biología Computacional
• Inteligencia Artificial

Sus antecedentes:

• La inteligencia artificial (IA) multimodal que integra patología digital y datos transcriptómicos muestra una gran promesa para el diagnóstico y pronóstico del cáncer.
• La implementación clínica se ve obstaculizada ya que los datos transcriptómicos rara vez están disponibles en entornos de atención médica rutinaria, y la histopatología sigue siendo el estándar.
• La síntesis de datos transcriptómicos a partir de patología digital ofrece una solución potencial para el análisis práctico del cáncer impulsado por IA.

Objetivo del estudio:

• Desarrollar y validar un modelo de IA que sintetice datos transcriptómicos a partir de imágenes de histopatología digital para la clasificación del cáncer y la predicción del riesgo de supervivencia.
• Evaluar la precisión y fiabilidad de las predicciones realizadas utilizando datos transcriptómicos sintetizados en comparación con datos transcriptómicos reales.
• Demostrar la viabilidad clínica de la fusión multimodal basada en IA sin necesidad de mediciones transcriptómicas reales.

Principales métodos:

• Se utilizaron dos conjuntos de datos multimodales públicos de cáncer (TCGA, CPTAC) en cuatro cohortes: glioma-glioblastoma, renal, uterino y de mama.
• Se desarrolló PathGen, un modelo de IA generativa intermodal basado en difusión, para sintetizar datos de expresión génica a partir de imágenes de cortes completos (WSI).
• Se evaluó el rendimiento del modelo en la predicción de la clasificación del cáncer y el riesgo de supervivencia del paciente, garantizando la certeza y la interpretabilidad.

Principales resultados:

• La incorporación de datos transcriptómicos sintetizados con WSI mejoró significativamente la clasificación del cáncer y la estimación del riesgo (p < 0,05).
• Las predicciones utilizando características sintetizadas fueron estadísticamente comparables a las que utilizan datos transcriptómicos reales (p > 0,05) en todas las cohortes.
• PathGen logró un rendimiento de última generación en la predicción conjunta de la clasificación del cáncer y el riesgo de supervivencia con alta precisión y certeza.

Conclusiones:

• La síntesis de expresión génica a partir de patología digital impulsada por IA es un método viable y preciso para la clasificación del cáncer y la predicción del riesgo de supervivencia.
• PathGen ofrece un enfoque práctico y rentable para la IA multimodal en oncología, superando las limitaciones de la adquisición de datos transcriptómicos.
• El modelo proporciona predicciones interpretables y garantías de certeza, allanando el camino para la integración clínica.