Inferencia de Subtipos Moleculares Clínicamente Relevantes de Cáncer de Páncreas a partir de Histopatología Rutinaria...

Área de la Ciencia:

• Patología computacional
• Inteligencia artificial en oncología
• Diagnóstico molecular.

Sus antecedentes:

• La subclasificación molecular del adenocarcinoma ductal pancreático (PDAC) en subtipos basal y clásico tiene valor pronóstico y predictivo.
• La aplicación clínica de la subclasificación molecular está limitada por el costo, el tiempo y los requisitos de tejido.
• Existe la necesidad de métodos accesibles para estratificar a los pacientes con PDAC.

Objetivo del estudio:

• Introducir PanSubNet, un marco de aprendizaje profundo interpretable para predecir subtipos moleculares relevantes para la terapia de PDAC.
• Permitir la subclasificación molecular directamente a partir de imágenes completas de portaobjetos teñidas con hematoxilina y eosina (H&E).
• Facilitar la toma de decisiones clínicas en el manejo del PDAC.

Principales métodos:

• PanSubNet se desarrolló utilizando datos de 1.055 pacientes de dos cohortes multiinstitucionales (PANCAN, TCGA) con datos de histología y secuenciación de ARN emparejados.
• Las etiquetas de verdad fundamental se derivaron de la firma de 50 genes de Moffitt refinada por la expresión de GATA6.
• El modelo utiliza una arquitectura de doble escala con mecanismos de atención para el aprendizaje de representaciones multiescala y la atribución de características.

Principales resultados:

• La validación interna (PANCAN) logró un AUC de 88.5% con sensibilidad y especificidad equilibradas.
• La validación externa (TCGA) demostró una generalización robusta con un AUC de 84.0%.
• PanSubNet conservó y fortaleció la estratificación pronóstica en comparación con las etiquetas basadas en RNA-seq, con predicciones alineadas con los programas transcriptómicos y las firmas de reparación del daño del ADN.

Conclusiones:

• PanSubNet proporciona una herramienta rápida, rentable y clínicamente desplegable para la estratificación molecular de PDAC a partir de portaobjetos H&E de rutina.
• El marco interpretable apoya la integración en flujos de trabajo de patología digital para la oncología de precisión.
• La validación en curso en dos instituciones tiene como objetivo evaluar el rendimiento en el mundo real y la utilidad clínica.