Caracterización Genómica del Cáncer de Pulmón en No Fumadores Mediante Aprendizaje Profundo

Área de la Ciencia:

• Patología computacional
• Oncología
• Bioinformática

Sus antecedentes:

• El aprendizaje profundo muestra una gran promesa para inferir características genéticas a partir de imágenes de portaobjetos completos (WSI).
• Los adenocarcinomas de pulmón en no fumadores (NS-LUAD) son molecularmente distintos pero poco estudiados por los modelos actuales de aprendizaje profundo.
• Los modelos existentes a menudo se centran en poblaciones de fumadores con un alcance molecular limitado y un rendimiento variable.

Objetivo del estudio:

• Desarrollar y validar una red neuronal convolucional profunda personalizada para la clasificación multietiqueta de alteraciones moleculares en NS-LUAD a partir de WSI teñidas con H&E.
• Permitir la predicción simultánea de 16 alteraciones moleculares, incluidas mutaciones, amplificaciones, fusiones y alteraciones del número de copias.
• Optimizar el modelo para una complejidad computacional reducida manteniendo la precisión predictiva.

Principales métodos:

• Se desarrolló una red neuronal convolucional profunda basada en ResNet50 con modificaciones arquitectónicas (bloques residuales simplificados, atajos selectivos, cabeza de clasificación sigmoide).
• El modelo se entrenó y evaluó en 495 WSI del estudio Sherlock-Lung utilizando una división de conjunto de validación retenido del 70% de entrenamiento, 10% de prueba interna y 30%.
• El rendimiento se evaluó utilizando el área bajo la curva característica operativa del receptor (AUROC) para predecir 16 características moleculares.

Principales resultados:

• El modelo logró altos valores de AUROC (0.84-0.93) para 11 características, incluidas mutaciones de EGFR, KRAS, TP53 y fusiones de ALK.
• El rendimiento fue moderado para la carga mutacional tumoral (AUROC=0.67) y las mutaciones de puntos calientes de KRAS (por ejemplo, p.G12C: AUROC=0.74).
• El modelo personalizado superó a las arquitecturas establecidas como Inception-v3 para la mayoría de las características en el mismo conjunto de datos.

Conclusiones:

• El modelo de aprendizaje profundo desarrollado demuestra un potencial significativo para predecir alteraciones moleculares en NS-LUAD directamente de las WSI.
• Este enfoque podría facilitar la clasificación para pruebas moleculares e informar estrategias de tratamiento de precisión para pacientes con cáncer de pulmón de no fumadores.
• Una mayor optimización puede mejorar su utilidad en la toma de decisiones clínicas para NS-LUAD.