Los investigadores han desarrollado con éxito un modelo de aprendizaje profundo que clasifica la forma más común de cáncer de páncreas, el adenocarcinoma ductal de páncreas (PDAC), en subtipos moleculares utilizando imágenes de histopatología. Este método logra una alta precisión y ofrece una alternativa rápida y rentable a los métodos actuales que dependen de costosos ensayos moleculares. En una nueva investigación Revista americana de patologíaPublicado por Elsevier, el tratamiento personalizado promete avanzar en estrategias y mejorar los resultados de los pacientes.
Los PDAC superaron recientemente al cáncer de mama como la tercera causa principal de muerte por cáncer en Canadá y Estados Unidos. La cirugía puede curar aproximadamente una quinta parte de los casos de PDAC si se detectan a tiempo. Aunque a estos pacientes se les ofrece una intervención quirúrgica, la tasa de supervivencia a cinco años sigue siendo del 20%. Aproximadamente el 80% de los pacientes ya tienen enfermedad metastásica en el momento del diagnóstico y la mayoría de estos pacientes desarrollan la enfermedad dentro de un año.
La agresividad del PDAC plantea un desafío difícil cuando se utiliza tecnología de secuenciación para determinar el plan de atención de un paciente. El rápido deterioro clínico de la enfermedad exige una acción rápida para identificar a las personas elegibles para la terapia dirigida e inscribirlas en ensayos clínicos. Sin embargo, el tiempo de respuesta actual para el perfil molecular, que oscila entre 19 y 52 días desde el momento de la biopsia, no alcanza para satisfacer estas necesidades urgentes.
El coinvestigador principal, David Schaeffer, MD, Departamento de Patología y Medicina de Laboratorio, Universidad de Columbia Británica, Hospital General de Vancouver y Pancreas Center BC, explicó: “Sin embargo, cada vez hay más subtipos potencialmente efectivos para el tratamiento personalizado de pacientes con cáncer de páncreas. todavía se basa en gran medida en métodos genómicos basados en ADN y ARN extraídos de tejidos Si hay suficiente tejido presente, lo que no siempre es el caso con los tumores PDAC debido a la difícil ubicación anatómica de este órgano, nuestro estudio proporciona un método prometedor para clasificar de manera rentable y rápida los subtipos moleculares de PDAC basándose en portaobjetos teñidos con hematoxilina-eosina de rutina. , lo que podría conducir a un manejo clínico más eficaz de esta enfermedad”.
El estudio implicó entrenar un modelo de IA de aprendizaje profundo en imágenes de patología de portaobjetos completos para identificar subtipos moleculares de PDAC (de tipo basal y clásico) utilizando portaobjetos teñidos con hematoxilina y eosina (H&E). La tinción H&E es una técnica rentable y ampliamente disponible que se realiza de forma rutinaria en laboratorios de patología para diagnóstico y pronóstico con resultados rápidos. Los modelos se entrenaron en 97 portaobjetos del Atlas del Genoma del Cáncer (TCGA) y se probaron en 110 portaobjetos de 44 pacientes en una cohorte local. El modelo de mejor rendimiento logró una precisión del 96,19 % en la identificación de los subtipos clásicos y basales en el conjunto de datos TCGA y del 83,03 % en la cohorte local, lo que destaca su solidez en diferentes conjuntos de datos.
El coinvestigador principal Ali Bashashati, PhD, Facultad de Ingeniería Biomédica y Departamento de Patología y Medicina de Laboratorio de la Universidad de Columbia Británica, señala: “La sensibilidad y especificidad del modelo fueron del 85% y el 100%, respectivamente, lo que hace que esta herramienta de IA para clasificar pacientes para pruebas moleculares. Además, el principal logro de esta investigación es que el modelo de IA pudo identificar subtipos a partir de imágenes de biopsia, crea una herramienta muy útil que se puede implementar durante el diagnóstico”.
“Este enfoque basado en IA proporciona un avance apasionante en el diagnóstico del cáncer de páncreas, permitiéndonos identificar de forma rápida y rentable subtipos moleculares clave”, concluyó el Dr. Bashashti.