Análisis de Imagen Digital Basado en Inteligencia Artificial para la Evaluación de la Expresión de Ki67, P53 y PHH3...

Área de la Ciencia:

• Oncología
• Patología
• Ingeniería Biomédica

Sus antecedentes:

• El glioblastoma multiforme (GBM) es un tumor cerebral agresivo que requiere una evaluación precisa de los biomarcadores.
• Los biomarcadores inmunohistoquímicos (IHQ) como Ki67, PHH3 y p53 son cruciales para el diagnóstico y pronóstico del GBM.
• La evaluación patológica convencional de los biomarcadores IHQ puede ser subjetiva y variar entre observadores.

Objetivo del estudio:

• Comparar el análisis de IHQ basado en inteligencia artificial (IA) de Ki67, PHH3 y p53 en GBM con las evaluaciones convencionales de patólogos.
• Evaluar la consistencia y la significación estadística de las evaluaciones de IA y de patólogos en diferentes áreas de muestreo de tejido.
• Evaluar el potencial de la IA para mejorar la objetividad de la evaluación de biomarcadores en GBM.

Principales métodos:

• Un estudio analítico transversal que involucró 20 casos de GBM.
• Tinción IHQ para Ki67, PHH3 y p53 en secciones de tejido fijadas en formalina e incrustadas en parafina.
• Digitalización de las láminas teñidas para su evaluación por dos patólogos expertos y software de análisis de imágenes basado en IA en áreas de 1 mm² y 7 mm².
• Análisis estadístico utilizando Kappa de Cohen para el acuerdo y correlación de Spearman para la asociación.

Principales resultados:

• Tanto las evaluaciones de IA como las de patólogos demostraron una fuerte consistencia intra-método en diferentes tamaños de campo.
• El análisis de IA reveló correlaciones significativas entre Ki67 y PHH3, y entre PHH3 y p53 (p <0,05).
• No se encontraron correlaciones significativas entre estos marcadores en las evaluaciones de patólogos (p >0,05).

Conclusiones:

• La patología digital con soporte de IA ofrece una mejora potencial en la objetividad y personalización de la evaluación de biomarcadores para tumores agresivos como el GBM.
• El análisis de IA demostró una capacidad superior para identificar correlaciones entre biomarcadores clave en comparación con los métodos tradicionales.
• Los hallazgos sugieren que la IA puede mejorar la precisión y la consistencia diagnóstica en la evaluación de biomarcadores del GBM.