Modelo de aprendizaje profundo interpretable de genómica circulante para la predicción cuantitativa de la...

Área de la Ciencia:

• Oncología
• Genómica
• Bioinformática

Sus antecedentes:

• La predicción cuantitativa precisa de la supervivencia es crucial para el cáncer de pulmón no microcítico (CPNM) avanzado, pero sigue siendo un desafío.
• El análisis de ADN tumoral circulante (ctDNA) único ofrece una potencia predictiva limitada para la supervivencia general (OS).

Objetivo del estudio:

• Desarrollar y validar un modelo interpretable de aprendizaje profundo para la predicción cuantitativa de la supervivencia en CPNM avanzado.
• Integrar datos multimodales, incluidas características de ctDNA y clinicopatológicas, para mejorar la predicción de resultados.

Principales métodos:

• Se entrenó una red de aprendizaje profundo (DeepSurv) utilizando datos de 1373 pacientes con CPNM avanzado.
• Se incorporaron características que incluyen el estado de ctDNA, la concentración de ADN libre de células (cfDNA) y mutaciones específicas (TP53, EGFR, PIK3CA, etc.).
• El rendimiento del modelo se evaluó utilizando AUC dependiente del tiempo y se utilizaron explicaciones aditivas de SHapley (SHAP) para la interpretación.

Principales resultados:

• El modelo DeepSurv logró un AUC de 12 meses de 0.75 en la cohorte de descubrimiento y se validó externamente.
• Los predictores clave de OS incluyeron el estado de ctDNA, la concentración de cfDNA, la edad y las mutaciones en TP53, PIK3CA, ARID1A, STK11 y MET.
• DeepSurv estratificó eficazmente a los pacientes en grupos de bajo y alto riesgo con OS significativamente diferente.

Conclusiones:

• El modelo interpretable DeepSurv permite una predicción cuantitativa precisa de la supervivencia y una estratificación del riesgo en CPNM avanzado.
• La integración de características multimodales mejora la potencia predictiva más allá de biomarcadores únicos como ctDNA.
• Este modelo apoya la toma de decisiones personalizada para pacientes con CPNM avanzado.