Construcción y validación de un modelo de firma patómica basado en aprendizaje profundo para predecir la recurrencia...

Área de la Ciencia:

• Oncología Oncología.
• Patología Computacional Patología Computacional.
• La inteligencia artificial en la medicina.

Sus antecedentes:

• La recurrencia del carcinoma renal de células claras (CCRCC) después de la cirugía plantea un desafío clínico significativo.
• La predicción temprana y precisa de la recurrencia de ccRCC es crucial para la intervención oportuna y la mejora de los resultados de los pacientes.
• Las herramientas de pronóstico existentes a menudo carecen de la precisión requerida para una estratificación efectiva del riesgo.

Objetivo del estudio:

• Desarrollar y validar una red neuronal convolucional profunda de múltiples instancias basada en la atención (CRPNet) para la predicción temprana de la recurrencia postoperatoria en ccRCC.
• Evaluar el rendimiento pronóstico de CRPNet con respecto a los nomogramas y herramientas clínicas establecidas.
• Evaluar la capacidad de CRPNet para estratificar a los pacientes con ccRCC en grupos de alto y bajo riesgo de recurrencia.

Principales métodos:

• Desarrollo de CRPNet, una red neuronal convolucional profunda de múltiples instancias basada en la atención.
• Capacitación y validación interna utilizando imágenes de diapositivas completas (WSIs) de 183 y 75 pacientes con ccRCC, respectivamente.
• Evaluación del pronóstico a través del análisis de Kaplan-Meier, AUC, exactitud, precisión, recuerdo, FPR/FNR, índice C y HR, en comparación con los nomogramas UISS, SSIGN y Karakiewicz.

Principales resultados:

• CRPNet demostró un rendimiento superior en la predicción de la recurrencia de ccRCC, logrando un alto AUC, exactitud y precisión tanto en cohortes de capacitación como de validación.
• Los grupos de alto riesgo identificados por CRPNet mostraron un pronóstico significativamente peor (P < 0,001) en varios subgrupos.
• CRPNet superó a los nomogramas tradicionales en el índice C y la estratificación del riesgo, exhibiendo un índice de peligro más alto (HR: 12.078).

Conclusiones:

• CRPNet ofrece una mayor precisión y una estratificación superior del riesgo para predecir la recurrencia de ccRCC en comparación con los modelos de pronóstico convencionales.
• El modelo proporciona un mejor pronóstico para el CCRCC metastásico, con menores tasas de falsos positivos y negativos.
• CRPNet representa un avance significativo en la patología computacional para la oncología de precisión en la gestión de ccRCC.