Un modelo multimodal de aprendizaje profundo clínicamente traducible para la detección de HRD a partir de imágenes de...

Área de la Ciencia:

• Oncología
• Biología Computacional
• Patología

Sus antecedentes:

• La terapia con inhibidores de poli (ADP-ribosa) polimerasa (PARP) es cada vez más asequible y crucial para los cánceres de mama y ovario.
• La deficiencia de recombinación homóloga (HRD) es un biomarcador clave para la respuesta a los inhibidores de PARP, pero su identificación es un desafío.
• La secuenciación de próxima generación (NGS) actual para la prueba de HRD depende del tejido, tiene altas tasas de falla y largos tiempos de entrega.

Objetivo del estudio:

• Desarrollar un método no invasivo para predecir el estado de HRD.
• Superar las limitaciones de los métodos actuales de prueba de HRD basados en tejidos.
• Crear una alternativa rápida, rentable y que ahorra tejido para guiar la terapia con inhibidores de PARP.

Principales métodos:

• Desarrollo de un modelo de IA multimodal llamado TRINITY.
• TRINITY integra datos de imágenes, transcriptoma basado en imágenes y datos clínico-moleculares.
• Se analizaron imágenes de portaobjetos completos (WSI) de muestras teñidas con H&E para predecir el estado de HRD.

Principales resultados:

• TRINITY logró métricas de alto rendimiento (por ejemplo, AUC-ROC de 0.91 y 0.72) en muestras de cáncer de mama y ovario de TCGA.
• El modelo demostró resultados prometedores en un estudio ciego externo (AUC-ROC de 0.89).
• TRINITY mostró potencial para predecir el estado de HRD en diferentes cohortes.

Conclusiones:

• TRINITY muestra potencial como una alternativa rápida, rentable y que ahorra tejido a las pruebas NGS convencionales para HRD.
• El modelo de IA puede ayudar a identificar a los pacientes que se beneficiarán de la terapia con inhibidores de PARP.
• Se requiere una mayor validación para confirmar la generalización de TRINITY en diversos tipos de cáncer.