Hacia la predicción interpretable del riesgo de recurrencia del cáncer de mama utilizando modelos de base de...

Área de la Ciencia:

• Patología computacional
• Inteligencia artificial en oncología
• Descubrimiento de biomarcadores

Sus antecedentes:

• Los ensayos transcriptómicos como la puntuación ROR-P basada en PAM50 son cruciales para estratificar el riesgo de recurrencia en el cáncer de mama ER-positivo, HER2-negativo.
• Estos ensayos transcriptómicos no son universalmente accesibles, lo que requiere métodos alternativos para la estratificación del riesgo.

Objetivo del estudio:

• Introducir MAKO, un marco para evaluar modelos de base de patología en la predicción de puntuaciones ROR-P a partir de imágenes de portaobjetos completos teñidas con H&E.
• Evaluar 12 modelos de base de patología y dos puntos de referencia no patológicos por su capacidad para predecir el riesgo de recurrencia.

Principales métodos:

• Se utilizó el aprendizaje de múltiples instancias basado en la atención para predecir las puntuaciones ROR-P a partir de imágenes de portaobjetos completos.
• Se entrenaron y validaron modelos de base en la cohorte del Carolina Breast Cancer Study (CBCS) y se probaron en datos de TCGA BRCA.
• Se empleó el método de interpretabilidad HIPPO para identificar regiones tumorales clave y biomarcadores candidatos.

Principales resultados:

• Varios modelos de base superaron a los modelos de referencia en tareas de clasificación, regresión y predicción de supervivencia.
• CONCH logró el AUC ROC más alto, mientras que H-optimus-0 y Virchow2 demostraron la mejor correlación con las puntuaciones continuas de ROR-P.
• Los modelos basados en histología estratificaron eficazmente a los participantes de CBCS por riesgo de recurrencia, de forma comparable a las puntuaciones ROR-P transcriptómicas.

Conclusiones:

• Los modelos de IA interpretables y basados en histología son muy prometedores como alternativa escalable para la estratificación del riesgo de recurrencia del cáncer de mama.
• Los modelos de base pueden predecir con precisión el riesgo de recurrencia, mejorando potencialmente las aplicaciones de oncología de precisión.
• Las regiones tumorales son críticas para las predicciones de alto riesgo y los biomarcadores identificados merecen una mayor investigación.