Uso del aprendizaje profundo para la estratificación pronóstica del carcinoma hepatocelular mediante imágenes...

El carcinoma hepatocelular (CHC) es una de las neoplasias malignas más comunes y letales, y su predicción pronóstica es particularmente compleja. Los biomarcadores histopatológicos son fundamentales para la evaluación del pronóstico del cáncer. Los avances en la inteligencia artificial (IA) han permitido automatizar la clasificación y la detección de información a partir de imágenes de portaobjetos completos de patología mediante el aprendizaje profundo. Este estudio tiene como objetivo utilizar el aprendizaje profundo de la IA para analizar laminillas histopatológicas de pacientes con CHC para la estratificación pronóstica, ayudando así al desarrollo de planes de tratamiento clínico.

Se empleó el método de umbralización de Otsu para segmentar automáticamente imágenes de portaobjetos completos (WSI) de dos conjuntos de datos de CHC, The Cancer Genome Atlas (TCGA) y portaobjetos de CHC del Ansteel General Hospital. Se utilizaron como entradas del modelo las características patológicas de las WSI extraídas mediante el modelo preentrenado CONCH. El rendimiento del modelo se evaluó utilizando el área bajo la curva de característica operativa del receptor y métricas adicionales. Posteriormente, se empleó la visualización de mapas de calor de atención para analizar la interpretabilidad. Se utilizó la curva de Kolmogorov-Smirnov para estratificar a los pacientes en grupos de riesgo distintos. Se realizó un análisis de supervivencia para evaluar las diferencias en la supervivencia global entre los distintos grupos de riesgo. Se utilizaron análisis de regresión de Cox univariantes y multivariantes para identificar los indicadores clínicos y las características patológicas clave como predictores significativos. El paquete riskRegression generó curvas de calibración comparando los resultados de supervivencia predichos frente a los observados. Las curvas de calibración cuantifican la desviación entre las probabilidades predichas por el modelo y los resultados reales observados.

Se desarrolló un modelo de predicción pronóstica utilizando el marco de autoatención CLAM basado en el conjunto de datos TCGA, cuya capacidad de generalización fue verificada mediante datos de láminas teñidas histológicamente de un conjunto de datos propietario. Los resultados mostraron que el modelo pudo lograr una mejor migración. Las tasas de mortalidad demostraron un incremento progresivo a través de los grupos de riesgo ascendentes. El sistema de estratificación de riesgo posee una utilidad clínica potencial para orientar la selección del tratamiento. Los diagramas de bosque generados demostraron que el sistema de estratificación de riesgo funciona como un predictor pronóstico independiente para el HCC. El análisis de la curva de calibración confirmó la precisión predictiva del modelo, y este hallazgo del análisis de la curva de decisión subraya su utilidad superior para orientar la toma de decisiones clínicas.

Este estudio desarrolló un modelo de predicción pronóstica, cuya estratificación de riesgo podría ser un predictor pronóstico independiente para el CHC y una guía para la toma de decisiones terapéuticas.