Firma de Patómica Basada en Aprendizaje Automático para Predecir la Expresión de MSH2 y el Pronóstico en Cáncer...

Área de la Ciencia:

• Patología computacional
• Patología digital
• Aprendizaje automático en oncología

Sus antecedentes:

• El cáncer gástrico (CG) es una de las principales causas de mortalidad por cáncer.
• La proteína MutS homolog 2 (MSH2) es una proteína clave en la reparación de desajustes del ADN y un biomarcador pronóstico.
• La imagen de cortes completos ofrece ventajas sobre la histopatología tradicional para el análisis del CG.

Objetivo del estudio:

• Investigar características patómicas digitales derivadas del aprendizaje automático para predecir la expresión de MSH2 en el CG.
• Evaluar el valor pronóstico de las características patómicas para la supervivencia general (SO).
• Explorar la relación entre la patómica, la expresión de MSH2 y el microambiente inmunitario tumoral.

Principales métodos:

• Análisis de imágenes de cortes completos teñidas con H&E de 234 pacientes con CG.
• Desarrollo de una puntuación de patómica (PS) para estimar la expresión de MSH2.
• Análisis de regresión de Cox y Kaplan-Meier para evaluar la asociación entre SO y PS.
• Análisis de enriquecimiento funcional e infiltración inmune.

Principales resultados:

• Se identificaron características patómicas digitales que se correlacionan con la expresión de MSH2.
• La PS estratificó eficazmente a los pacientes en subgrupos pronósticos con una SO significativamente diferente.
• Una PS alta indicó una respuesta inmune antitumoral más fuerte, mientras que una PS baja sugirió un microambiente inmunosupresor.

Conclusiones:

• Una firma de patómica derivada del aprendizaje automático puede predecir la expresión de MSH2 en el CG.
• Este enfoque de patómica digital proporciona información pronóstica clínicamente significativa.
• La patómica sirve como una valiosa herramienta de investigación complementaria para el pronóstico del CG.