Modelo de IA destaca en análisis de de cánceres y datos de IHC no vistos

La inmunohistoquímica (IHC) desempeña un papel crucial en la oncología, ya que permite a los patólogos detectar y cuantificar la expresión de proteínas, lo que informa las decisiones sobre la terapia sistémica. A pesar de la existencia de varios algoritmos de IA para ayudar a puntuar las imágenes de IHC y mejorar la precisión diagnóstica, los modelos de IA actuales enfrentan desafíos importantes, incluida la dependencia de los datos y la falta de generalización. Estos modelos de IA-IHC requieren grandes conjuntos de datos de imágenes específicas de inmunotinción para el entrenamiento, que a menudo son difíciles de obtener, especialmente para pares de inmunotinción-objetivo desarrollados recientemente. Además, estos modelos tienen dificultades para analizar conjuntos de datos que difieren de su conjunto de entrenamiento en términos de inmunotinción o tipos de cáncer, lo que limita su eficacia en diversas indicaciones clínicas. Estas limitaciones resaltan la necesidad de soluciones de IA escalables capaces de proporcionar un análisis preciso en una amplia gama de tipos de cáncer e inmunotinciones. Un nuevo estudio ha demostrado ahora cómo un modelo de inteligencia artificial (IA) puede sobresalir en el análisis de diversos tipos de cáncer y tinciones de IHC, incluidos conjuntos de datos que nunca antes había encontrado, debido a un enfoque de entrenamiento innovador.

Lunit (Seúl, Corea del Sur) ha desarrollado el modelo de IA de inmunohistoquímica universal (uIHC), ahora comercializado como Lunit SCOPE uIHC, que permite el análisis avanzado de biomarcadores incluso a partir de inmunohistoquímica de un solo plexo, incluida la localización de manchas subcelulares, la puntuación de intensidad continua y la identificación del tipo de célula. En un estudio, Lunit comparó ocho modelos de aprendizaje profundo, incluidos cuatro modelos de cohorte única (entrenados con datos de una sola mancha o tipo de cáncer) y cuatro modelos de cohorte múltiple (entrenados en conjuntos de datos que abarcan múltiples manchas y tipos de cáncer), para evaluar su rendimiento en conjuntos de datos familiares y desconocidos. Los resultados, publicados en npj Precision Oncology, demostraron que el modelo uIHC puede generalizarse en diversos conjuntos de datos con alta precisión.

Los hallazgos subrayan el sólido desempeño del modelo en una amplia gama de tipos de cáncer e inmunotinciones, incluidas aquellas en las que no se había entrenado. La capacidad del modelo uIHC de generalizar en diferentes imágenes de IHC representa un avance significativo en la patología digital. Al reducir la necesidad de grandes conjuntos de datos específicos de tinciones, este modelo facilita el análisis escalable y eficiente de biomarcadores, lo cual es crucial para el diagnóstico clínico y el desarrollo de fármacos. Esta capacidad es particularmente beneficiosa para evaluar nuevos biomarcadores relacionados con terapias emergentes, lo que ayuda a abordar un importante obstáculo en la oncología de precisión.

"Nuestro modelo de IA de inmunohistoquímica universal resuelve un obstáculo práctico en los entornos de desarrollo: el manejo de tipos y tinciones de cáncer no vistos sin necesidad de anotación de datos adicionales", afirmó Brandon Suh, director ejecutivo de Lunit. "Al demostrar la eficacia de un enfoque de entrenamiento de múltiples cohortes, este estudio muestra cómo la IA se puede adaptar a las complejidades del mundo real, ofreciendo precisión y escalabilidad. Con el lanzamiento de Lunit SCOPE uIHC, estamos permitiendo que los investigadores y los médicos se concentren en lo que realmente importa: mejorar la atención al paciente y acelerar la innovación terapéutica".

Enlaces relacionados:
Lunit

Visitar la expo >

Miembro Oro

Pharmacogenetics Panel

VeriDose Core Panel v2.0

Verification Panels for Assay Development & QC
Seroconversion Panels

New

TORCH Infections Test

TORCH Panel

New

Lyme Disease Test

Lyme IgG/IgM Rapid Test Cassette