Análisis espacial con IA de portaobjetos ayuda a predecir recurrencia del cáncer de páncreas

Predecir qué pacientes con cáncer de páncreas recaerán después del tratamiento y la cirugía sigue siendo un reto. La evaluación anatomopatológica suele medir la carga tumoral residual, pero trabajos recientes encontraron que la cantidad de tumor por sí sola no distinguía de forma fiable a los pacientes de mayor riesgo de los de menor riesgo.

La organización espacial del cáncer residual dentro del estroma circundante puede aportar valor pronóstico, especialmente cuando la quimioterapia neoadyuvante produce solo una respuesta patológica limitada. Un nuevo estudio muestra que el análisis espacial con IA de láminas rutinarias de hematoxilina y eosina (H&E) puede ayudar a identificar a los pacientes con mayor riesgo de recidiva.

Investigadores de Mayo Clinic (Rochester, MN, EE. UU.) desarrollaron un enfoque de análisis espacial con IA que lee rasgos organizativos en láminas anatomopatológicas estándar. El método utiliza una herramienta de IA para identificar regiones cancerosas y estromales, y luego cuantifica cómo esas regiones forman parches, bordes y áreas entremezcladas. Los investigadores adaptaron técnicas de la ecología del paisaje para medir la forma del tejido, la fragmentación y el grado de entremezcla entre cáncer y estroma en láminas H&E.

El estudio analizó tejido de 203 pacientes con adenocarcinoma ductal de páncreas que recibieron tratamiento antes de la cirugía, pero mostraron solo una respuesta patológica limitada. Dos firmas espaciales predijeron la supervivencia libre de enfermedad incluso después de ajustar por el estadio, el estado ganglionar y otros factores clínicos y anatomopatológicos de riesgo ya establecidos.

Los pacientes cuyo cáncer residual mostró un patrón más fragmentado y entremezclado con el estroma circundante experimentaron una recidiva más temprana, mientras que la cantidad de tumor residual por sí sola no estratificó de forma fiable el riesgo.

En todos los modelos, las características espaciales derivadas de IA mejoraron la separación de los grupos de mayor y menor riesgo cuando las medidas convencionales eran menos informativas. En un modelo, los pacientes clasificados como de alto riesgo tuvieron un riesgo ajustado de recidiva un 71% mayor; en otro, su riesgo ajustado fue más del doble. Estos patrones espaciales de alto riesgo también mostraron menos células inmunitarias dentro de las regiones cancerosas, y las células inmunitarias tendían a agruparse alrededor del tumor en lugar de infiltrarlo.

Como el flujo de trabajo analiza láminas ya generadas durante la atención rutinaria, podría proporcionar información pronóstica adicional sin requerir otra prueba de tejido. El estudio se publicó en Clinical Cancer Research, y los investigadores señalan que se necesitan estudios prospectivos antes de que el enfoque pueda informar la toma de decisiones clínicas.

"Las evaluaciones anatomopatológicas actuales en gran medida nos dicen cuánto tumor queda después del tratamiento. Queríamos saber si la geografía de ese cáncer restante podría revelar información biológica adicional sobre el riesgo de recidiva", dijo Ryan Carr, M.D., Ph.D., oncólogo de Mayo Clinic y autor principal del estudio.

"Nuestro objetivo a largo plazo es identificar mejor qué pacientes siguen en mayor riesgo y, en última instancia, usar ese conocimiento para orientar una vigilancia, una terapia adyuvante y un diseño de ensayos clínicos más individualizados", añadió Carr.

Enlaces relacionados
Mayo Clinic

Visitar la expo >

Miembro Platino

Analizador de coagulación automatizado

Hemolumi H6

New

Miembro Oro

Analizador totalmente automatizado de proteínas específicas (nefelometría)

PA240

Automated Clinical Chemistry Analyzer

Envoy 500+

New

Next-Generation Sequencing Platform

AXELIOS 1 Platform