Fenotipos de RM derivados de aprendizaje profundo biológicamente interpretables revelan afectación de ganglios...

Área de la Ciencia:

• Oncología
• Radiología
• Inteligencia Artificial

Sus antecedentes:

• La estadificación precisa de los ganglios linfáticos (LN) para el colangiocarcinoma intrahepático (iCCA) es crucial pero desafiante con métodos no invasivos.
• Los enfoques no invasivos actuales a menudo luchan por estratificar con precisión la afectación de los LN, lo que afecta las decisiones de tratamiento.

Objetivo del estudio:

• Desarrollar y validar un modelo computacional novedoso para refinar la estratificación del riesgo de ganglios linfáticos (LN) en el colangiocarcinoma intrahepático (iCCA).
• Evaluar las posibles implicaciones terapéuticas de este modelo, particularmente en pacientes sometidos a terapia neoadyuvante (NAT).

Principales métodos:

• Se desarrolló un marco SwinU-CliRad, que integra Swin UNEt TRansformers (SwinU) de RM con datos clinicoradiológicos para la evaluación de LN.
• El modelo se entrenó y validó en cohortes de descubrimiento, internas y externas multicéntricas, con una evaluación adicional en una cohorte de terapia neoadyuvante (NAT).
• Exploración de las correlaciones entre los resultados derivados de la IA y los perfiles multiómicos del tumor, incluida la secuenciación de ARN de célula única.

Principales resultados:

• El modelo SwinU-CliRad demostró una alta precisión (AUCs 0.932-0.888) en la estratificación del riesgo de LN en múltiples cohortes.
• El modelo superó las evaluaciones de los radiólogos en la corrección de las clasificaciones erróneas.
• En la cohorte NAT, los pacientes de alto riesgo identificados por el modelo mostraron mejores respuestas patológicas, incluyendo tasas más altas de respuesta patológica completa y mayor.
• El estado de LN derivado de la IA se correlacionó con mutaciones genéticas específicas (KRAS), expresión de proteínas (MUC5AC) y subtipos histológicos, vinculando la afectación de LN a un microambiente tumoral inmunosupresor.

Conclusiones:

• El modelo SwinU-CliRad ofrece una herramienta biológicamente interpretable para la estratificación del riesgo de LN en iCCA.
• Puede ayudar a identificar candidatos a cirugía y pacientes que pueden beneficiarse de la terapia neoadyuvante (NAT), mejorando potencialmente los resultados del tratamiento.