Criterios histológicos predicen transformación del linfoma en biopsias de médula ósea

-- P-->

La transformación de células grandes (LCT, por sus siglas en inglés) de los linfomas de células B indolentes, como el linfoma folicular (LF) y la leucemia linfoide crónica (LLC), indica un peor pronóstico, momento en el que se inicia una quimioterapia agresiva. Aunque la LCT es relativamente sencilla de diagnosticar en los ganglios linfáticos, a menudo se obtiene primero una biopsia de médula debido a la facilidad del procedimiento, el bajo costo y la baja morbilidad. Los criterios para la evaluación morfológica de la transformación del linfoma no están establecidos en las biopsias de médula ósea.

Los patólogos de Yale Medicine (Nueva Haven, CT, EUA) y sus colegas, estudiaron la exactitud y la reproducibilidad de una red neuronal convolucional entrenada para identificar la LCT, a la luz de herramientas de aprendizaje automático prometedoras que pueden introducir una mayor objetividad para el análisis morfológico. Identificaron retrospectivamente a los pacientes que tenían un diagnóstico de FL o LLC que se habían sometido a una biopsia de médula ósea para confirmar el diagnóstico de LCT.

Calificaron los criterios morfológicos y correlacionaron los resultados con la progresión clínica de la enfermedad. Además, los escaneos de portaobjetos completos se anotaron en parches para entrenar redes neuronales convolucionales para discriminar entre células tumorales pequeñas y grandes y para predecir la probabilidad de transformación del paciente. Todos los casos de FL y LLC se escanearon con un aumento de ×40 usando un escáner Aperio de alta resolución, el Aperio ScanScope CS, (Aperio Technologies, Vista, CA, EUA) y se anotaron con el software de análisis de patología digital, QuPath, para definir áreas de maduración de hematopoyesis trilinaje, linfoma de células pequeñas y linfoma de células grandes.

Los investigadores informaron que, mediante el examen morfológico, la proporción de células grandes de linfoma (≥10 % en FL y ≥30 % en LLC), el patrón de cromatina, los nucleolos distintos y el índice de proliferación, se correlacionaron significativamente con la LCT en FL y LLC. En comparación con las estimaciones derivadas de patólogos, la cuantificación generada por máquina demostró una mejor reproducibilidad y una correlación más sólida con los datos del resultado final. De los cuatro modelos considerados, el modelo basado en redes neuronales convolucionales (CNN) extremo a extremo, obtuvo los mejores resultados, con un AUROC de 0,857. Esto fue seguido por el modelo de regresión logística entrenado en estimaciones de área de superficie extraídas de anotaciones QuPath (AUROC, 0,851).

Los autores concluyeron que sus hallazgos histológicos pueden servir como indicaciones de LCT en biopsias de médula ósea. El patólogo mejorado gracias al sistema de la máquina parecía ser el más predictivo, lo que argumenta a favor de mayores esfuerzos para validar e implementar estas herramientas para mejorar aún más la práctica médica. El estudio se publicó en la edición de febrero de 2022 de la revista Archives of Pathology and Laboratory Medicine.

Enlaces relacionados:
Yale Medicine
Aperio Technologies