Modelo de IA predice respuesta a terapia contra cáncer de riñón

Cada año, cerca de 435.000 personas son diagnosticadas con carcinoma renal de células claras (CRcc), lo que lo convierte en el subtipo más prevalente de cáncer de riñón. Cuando la enfermedad se propaga, se emplean comúnmente terapias antiangiogénicas como tratamiento. Estos fármacos actúan inhibiendo la formación de nuevos vasos sanguíneos en los tumores, lo que limita el acceso a las moléculas que impulsan su crecimiento. Si bien los fármacos antiangiogénicos se recetan ampliamente, menos del 50 % de los pacientes se benefician de ellos, lo que lleva a muchos a afrontar toxicidad innecesaria y cargas económicas. Actualmente, no existen biomarcadores clínicamente disponibles que permitan predecir con precisión qué pacientes responderán a los fármacos antiangiogénicos. Un ensayo clínico previo sugirió que Angioscore, una prueba que evalúa la expresión de seis genes asociados a los vasos sanguíneos, podría ser prometedora. Sin embargo, esta prueba genética es costosa, difícil de estandarizar en diferentes clínicas y provoca retrasos en el tratamiento. Además, examina solo una pequeña porción del tumor y, dado que el CRcc es altamente heterogéneo, la expresión génica puede variar en diferentes regiones del cáncer.

Investigadores del Centro Médico UT Southwestern (Dallas, TX, EUA) han desarrollado un modelo basado en inteligencia artificial (IA) que puede predecir con precisión qué pacientes con cáncer de riñón probablemente se beneficiarán de la terapia antiangiogénica, un tipo de tratamiento efectivo solo en ciertos casos. Sus hallazgos, publicados en Nature Communications, podrían ofrecer una forma viable de usar la IA para guiar las decisiones de tratamiento para este y otros tipos de cáncer. Los investigadores crearon este modelo predictivo utilizando IA para analizar portaobjetos histopatológicos: secciones finas de tejido tumoral que se tiñen para resaltar las características celulares. Estos portaobjetos se incluyen rutinariamente en el estudio diagnóstico del paciente, y sus imágenes están cada vez más disponibles en los historiales clínicos electrónicos.

El algoritmo de IA, basado en aprendizaje profundo, se entrenó con dos conjuntos de datos: uno que relacionaba las láminas histopatológicas de CRcc con sus correspondientes resultados de Angioscore, y otro que relacionaba las láminas con una prueba desarrollada por los investigadores para evaluar los vasos sanguíneos en las secciones tumorales. A diferencia de muchos algoritmos de aprendizaje profundo que ofrecen resultados sin comprender su razonamiento, este enfoque está diseñado para ser visualmente interpretable. En lugar de generar un único número y predecir directamente una respuesta, el algoritmo genera una visualización de los vasos sanguíneos predichos, que se correlaciona estrechamente con el Angioscore basado en ARN. Los pacientes con más vasos sanguíneos tienen mayor probabilidad de responder al tratamiento, y este método permite a los usuarios comprender cómo el modelo llegó a sus conclusiones.

Cuando los investigadores probaron este enfoque en portaobjetos de más de 200 pacientes que no se incluyeron en los datos de entrenamiento, incluyendo muestras del ensayo clínico que demostró el potencial de Angioscore, el modelo predijo qué pacientes tenían mayor probabilidad de responder a terapias antiangiogénicas con una precisión casi tan alta como Angioscore. El algoritmo predijo que un paciente con respuesta tendría una puntuación más alta que un paciente sin respuesta en el 73 % de los casos, en comparación con el 75 % con Angioscore. Los investigadores creen que el análisis de IA de portaobjetos histopatológicos podría, en última instancia, ayudar a orientar las decisiones diagnósticas, pronósticas y terapéuticas en diversas afecciones. También planean desarrollar un algoritmo similar para predecir qué pacientes con CRcc responderán a la inmunoterapia, otro tipo de tratamiento que solo es eficaz para algunos pacientes.

Existe una necesidad real no satisfecha en la clínica de predecir quién responderá a ciertas terapias. Nuestro trabajo demuestra que las preparaciones histopatológicas, un recurso fácilmente disponible, pueden analizarse para producir biomarcadores de vanguardia que brindan información sobre qué tratamientos podrían beneficiar a qué pacientes, afirmó el Dr. Satwik Rajaram.

Visitar la expo >

Miembro Oro

Lector rapido de tarjetas

EASY READER+

ANALIZADOR HEMATOLÓGICO DE 3 PARTES
Swelab Alfa Plus Sampler

New

6 Part Hematology Analyzer with RET + IPF

Mispa HX 88

New

Rapid Molecular Testing Device

FlashDetect Flash10