Herramienta de IA determina pronóstico del cáncer de mama

La investigación, publicada en la revista Patterns, supone un avance significativo en el desarrollo de herramientas de inteligencia artificial (IA) para ayudar a los oncólogos a determinar pronósticos con mayor precisión y decidir qué tratamientos podrían ser más eficaces según el caso.

Investigadores de la Universidad Johns Hopkins (Baltimore, MD, EUA) diseñaron un modelo de aprendizaje automático interpretable que analizó imágenes de tejidos microscópicos y biopsias de 579 pacientes con cáncer de mama sometidas a tratamientos estándar, como quimioterapia. El modelo examinó tanto el tumor como el tejido circundante, evaluando la posición de cada célula en relación con el tumor y sus interacciones con las células vecinas. Esto permitió al algoritmo detectar 66 patrones celulares únicos y categorizar a las pacientes en siete grupos de pronóstico según estos patrones. A diferencia de los métodos convencionales de IA, el modelo pudo identificar claramente qué elementos específicos contribuían a cada patrón, lo que permitió a los investigadores aplicar ingeniería inversa a los datos y descubrir los factores determinantes de las agrupaciones.

La validación del modelo reveló varios hallazgos significativos. Un grupo de pacientes con los mejores resultados de supervivencia presentó una combinación distintiva de tres tipos celulares: CK8-18high, CXCL12high y CK+CXCL12+. Por otro lado, las pacientes con células tumorales HER2+ autoagregadas presentaron los peores resultados, un resultado que concuerda con la agresividad conocida de los cánceres de mama HER2-positivos. Además, las pacientes con cáncer de mama triple negativo con células inmunitarias bien organizadas alrededor de sus tumores también presentaron mejores pronósticos que otras con la misma afección. Estos resultados sugieren que el análisis de patrones tisulares espaciales puede proporcionar a los oncólogos biomarcadores valiosos para predecir los resultados de las pacientes y personalizar las estrategias de tratamiento. En el futuro, los investigadores planean expandir su metodología a otras tecnologías de imagen y aplicarla a diferentes tipos de cáncer para obtener información más práctica.

"Estamos desarrollando un conjunto de herramientas que se puede usar siempre que se cuente con un conjunto masivo de datos y no se desee partir de una hipótesis explícita", afirmó el primer autor Zhenzhen Wang, candidata a doctorado en ingeniería biomédica en la Universidad Johns Hopkins. "Normalmente, habría que diseñar un estudio para preguntar si un patrón celular específico es importante y comprobar si la respuesta es sí o no. Pero con nuestro modelo, podemos ahorrar tiempo al plantear preguntas abiertas sobre qué patrones son importantes para comprender cómo responderán las pacientes al tratamiento o cómo tendrán una mayor probabilidad de supervivencia".

Enlaces relacionados:
Universidad Johns Hopkins