Modelo de patología con IA predice la respuesta a la inmunoterapia en cáncer de pulmón

Los médicos se enfrentan a dificultades constantes para identificar qué pacientes con cáncer de pulmón de células no pequeñas metastásico se beneficiarán de la inmunoterapia, incluso a medida que estos agentes transforman la atención oncológica. La estratificación actual se basa en gran medida en la expresión de PD-L1, que puede tener un valor predictivo limitado y generar incertidumbre en las decisiones de tratamiento.Se necesitan biomarcadores más informativos, basados en muestras histológicas, para guiar la selección de la terapia y evitar regímenes ineficaces. Nuevos hallazgos demuestran que una plataforma de aprendizaje automático puede mejorar la predicción de los resultados de la inmunoterapia en esta población.

Investigadores del Centro Oncológico MD Anderson de la Universidad de Texas (Houston, TX, EE. UU.) desarrollaron Path-IO, una plataforma de patomics basada en aprendizaje profundo diseñada para predecir la respuesta a la inmunoterapia en el cáncer de pulmón de células no pequeñas metastásico (CPCNP). El modelo analiza muestras histológicas recopiladas de forma rutinaria para detectar estructuras intratumorales, conocidas como nichos, y otras características tisulares complejas asociadas con la respuesta al tratamiento. Posteriormente, clasifica a los pacientes en grupos de alto y bajo riesgo de progresión de la enfermedad tras la inmunoterapia.

A diferencia de la inteligencia artificial de "caja negra", Path-IO se centra en características tisulares bien establecidas y genera resultados explicables vinculados a la biología conocida. Al cuantificar patrones que a los humanos les resulta difícil identificar de forma consistente, la plataforma proporciona evaluaciones de riesgo interpretables que se alinean con los determinantes de respuesta reconocidos. Los investigadores también combinaron sus predicciones basadas en patología con datos radiómicos y clínicos para mejorar aún más el rendimiento pronóstico.

Utilizando una cohorte histórica del MD Anderson, Path-IO clasificó a los pacientes en categorías de alto y bajo riesgo. El grupo de alto riesgo presentó aproximadamente el doble de riesgo de muerte o progresión de la enfermedad en comparación con el grupo de bajo riesgo. La validación externa, realizada con varios conjuntos de datos, incluyó a más de 1000 pacientes de diversas instituciones y países. En todos los conjuntos de datos, Path-IO superó significativamente a la prueba de PD-L1, que en algunos grupos de validación no arrojó mejores resultados que el azar.

Los detalles se presentaron en la Reunión Anual de la Asociación Estadounidense para la Investigación del Cáncer (AACR) de 2026. El equipo se está preparando para la validación clínica prospectiva y la ampliación de cohortes para incluir grupos de pacientes más diversos. El desarrollo futuro descrito por los investigadores incluye la integración de datos multimodales —como radiómica, imágenes de tomografía computarizada, factores genómicos y otras variables clínicas— para crear un marco integral de gemelos digitales.

“En los últimos años, han surgido varios enfoques basados en IA que han demostrado su potencial, pero Path-IO se distingue porque lo diseñamos desde el principio para su aplicación clínica. Para ello, un modelo debe tomar decisiones explicables basadas en factores conocidos y hacerlo de forma consistente en diferentes conjuntos de datos. Lo que demostramos aquí es que Path-IO no solo puede hacerlo, sino que además puede hacerlo utilizando datos de portaobjetos que ya se recopilan de forma rutinaria”, afirmó Rukhmini Bandyopadhyay, Ph.D., investigadora postdoctoral en el laboratorio de Jia Wu, Ph.D., en el Centro Oncológico MD Anderson de la Universidad de Texas.

“Hasta donde sabemos, este es el marco de análisis patológico basado en aprendizaje profundo más rigurosamente validado hasta la fecha. Pero apenas estamos comenzando. A medida que integremos más flujos de datos al modelo, este mejorará y se volverá más específico en sus capacidades predictivas, lo que esperamos que se convierta en una herramienta fundamental para los médicos que ayudan a los pacientes a tomar decisiones importantes sobre sus opciones de tratamiento”, dijo Bandyopadhyay.

Enlaces relacionados
Uiversity of Texas MD Anderson Cancer Center

Visitar la expo >

Miembro Platino

Analizador de coagulación automatizado

Hemolumi H6

Miembro Oro

Analizador totalmente automatizado de proteínas específicas (nefelometría)

PA240

Manual Pipetting Aid

Pipette Controllers macro

Food Allergy Screening ELISA Kit

Allerquant 14G B ELISA