El modelo ofrece información procesable para los médicos, podría aumentar las decisiones clínicas en áreas con recursos limitados.
Genotipado y Secuenciación de ADN. Un técnico lava matrices utilizadas en estudios de asociación del genoma completo (GWAS). foto ilustrativa. Crédito de la imagen: NCI
un nuevo inteligencia artificial El modelo diseñado por investigadores de la Escuela de Medicina de Harvard y la Universidad Nacional Cheng Kung en Taiwán podría brindar la claridad que tanto necesitan los médicos que brindan pronósticos y deciden tratamientos para pacientes con cáncer colorrectal, el segundo cáncer más mortal a nivel mundial.
Únicamente al observar imágenes de muestras de tumores (representaciones microscópicas de células cancerosas), la nueva herramienta predice con precisión qué tan agresivo es un tumor colorrectal, qué probabilidad tiene el paciente de sobrevivir con y sin recurrencia de la enfermedad y cuál podría ser la terapia óptima para ellos.
Tener una herramienta que responda a estas preguntas podría ayudar a los médicos y pacientes a navegar esta astuta enfermedad, que a menudo se comporta de manera diferente incluso entre personas con perfiles de enfermedad similares que reciben el mismo tratamiento y, en última instancia, podría salvar algunas de las 1 millón de vidas que el cáncer colorrectal se cobra cada año. .
Se publica un informe sobre el trabajo del equipo en Comunicaciones de la naturaleza.
Los investigadores dicen que la herramienta está destinada a mejorar, no a reemplazar, la experiencia humana.
“Nuestro modelo realiza tareas que los patólogos humanos no pueden hacer basándose únicamente en la visualización de imágenes”, dijo el codirector del estudio. autor Kun-Hsing Yu, profesor asistente de informática biomédica en el Instituto Blavatnik en HMS. Yu dirigió un equipo internacional de patólogos, oncólogos, informáticos biomédicos e informáticos.
“Lo que anticipamos no es un reemplazo de la experiencia en patología humana, sino un aumento de lo que pueden hacer los patólogos humanos”, agregó Yu. “Esperamos que este enfoque aumente la práctica clínica actual del tratamiento del cáncer”.
Los investigadores advierten que el pronóstico de cualquier paciente individual depende de múltiples factores y que ningún modelo puede predecir perfectamente la supervivencia de un paciente determinado. Sin embargo, agregan, el nuevo modelo podría ser útil para guiar a los médicos a hacer un seguimiento más cercano, considerar tratamientos más agresivos o recomendar ensayos clínicos que prueben terapias experimentales si sus pacientes tienen peores pronósticos según la evaluación de la herramienta.
La herramienta podría ser particularmente útil en áreas con recursos limitados tanto en este país como en todo el mundo donde la patología avanzada y la secuenciación genética de tumores pueden no estar fácilmente disponibles, anotaron los investigadores.
La nueva herramienta va más allá de muchas herramientas de IA actuales, que realizan principalmente tareas que replican u optimizan la experiencia humana. La nueva herramienta, en comparación, detecta e interpreta patrones visuales en imágenes microscópicas que son imperceptibles para el ojo humano.
La herramienta, denominada MOMA (por Multi-omics Multi-cohort Assessment) es disponible de forma gratuita a investigadores y clínicos.
Amplio entrenamiento y pruebas
El modelo se entrenó con información obtenida de casi 2000 pacientes con cáncer colorrectal de diversas cohortes nacionales de pacientes que, en conjunto, incluyen más de 450 000 participantes: el Estudio de Seguimiento de Profesionales de la Saludel Estudio de Salud de Enfermerasel Programa Atlas del Genoma del Cáncery los NIH PLCO (Próstata, pulmón, colorrectal y ovario) Ensayo de detección de cáncer.
Durante la fase de entrenamiento, los investigadores alimentaron al modelo con información sobre la edad, el sexo, el estadio del cáncer y los resultados de los pacientes. También le dieron información sobre los perfiles genómico, epigenético, proteico y metabólico de los tumores.
Luego, los investigadores mostraron imágenes de patología modelo de muestras de tumores y le pidieron que buscara marcadores visuales relacionados con tipos de tumores, mutaciones genéticas, alteraciones epigenéticas, progresión de la enfermedad y supervivencia del paciente.
Luego, los investigadores probaron cómo podría funcionar el modelo en “el mundo real” alimentándolo con un conjunto de imágenes que no había visto antes de muestras de tumores de diferentes pacientes. Compararon su desempeño con los resultados reales de los pacientes y otra información clínica disponible.
El modelo predijo con precisión la supervivencia general de los pacientes después del diagnóstico, así como cuántos de esos años estarían libres de cáncer.
La herramienta también predijo con precisión cómo un paciente individual podría responder a diferentes terapias, en función de si el tumor del paciente albergaba mutaciones genéticas específicas que hacían que el cáncer fuera más o menos propenso a la progresión o la propagación.
En ambas áreas, la herramienta superó a los patólogos humanos, así como a los modelos actuales de IA.
Los investigadores dijeron que el modelo se actualizará periódicamente a medida que la ciencia evolucione y surjan nuevos datos.
“Es fundamental que con cualquier modelo de IA, controlemos continuamente su comportamiento y rendimiento porque podemos ver cambios en la distribución de la carga de enfermedades o nuevas toxinas ambientales que contribuyen al desarrollo del cáncer”, dijo Yu. “Es importante aumentar el modelo con nuevos y más datos a medida que se presenten para que su rendimiento nunca se quede atrás”.
Discernir patrones reveladores
El nuevo modelo aprovecha los avances recientes en técnicas de imagen de tumores que ofrecen niveles de detalle sin precedentes, que, sin embargo, siguen siendo imperceptibles para los evaluadores humanos. Con base en estos detalles, el modelo identificó con éxito indicadores de qué tan agresivo era un tumor y qué tan probable era que se comportara en respuesta a un tratamiento en particular.
Basado solo en una imagen, el modelo también identificó características asociadas con la presencia o ausencia de mutaciones genéticas específicas, algo que generalmente requiere la secuenciación genómica del tumor. La secuenciación puede llevar mucho tiempo y ser costosa, especialmente para los hospitales donde tales servicios no están disponibles de forma rutinaria.
Precisamente en tales situaciones, el modelo podría proporcionar un apoyo de decisión oportuno para la elección del tratamiento en entornos con recursos limitados o en situaciones en las que no hay tejido tumoral disponible para la secuenciación genética, dijeron los investigadores.
Los investigadores dijeron que antes de implementar el modelo para su uso en clínicas y hospitales, debe probarse en un ensayo aleatorio prospectivo que evalúe el rendimiento de la herramienta en pacientes reales a lo largo del tiempo después del diagnóstico inicial. Tal estudio proporcionaría la demostración estándar de oro de las capacidades del modelo, dijo Yu, al comparar directamente el rendimiento de la herramienta en la vida real usando solo imágenes con el de los médicos humanos que usan el conocimiento y los resultados de las pruebas a los que el modelo no tiene acceso.
Otra fortaleza del modelo, dijeron los investigadores, es su razonamiento transparente. Si un médico que usa el modelo pregunta por qué hizo una predicción determinada, la herramienta podría explicar su razonamiento y las variables que utilizó.
Esta característica es importante para aumentar la confianza de los médicos en los modelos de IA que utilizan, dijo Yu.
Medición de la progresión de la enfermedad, tratamiento óptimo
El modelo identificó con precisión las características de la imagen relacionadas con las diferencias en la supervivencia.
Por ejemplo, identificó tres características de imagen que presagiaban peores resultados:
- Mayor densidad celular dentro de un tumor.
- La presencia de tejido conectivo de apoyo alrededor de las células tumorales, conocido como estroma.
- Interacciones de las células tumorales con las células musculares lisas.
El modelo también identificó patrones dentro del estroma tumoral que indicaban qué pacientes tenían más probabilidades de vivir más tiempo sin recurrencia del cáncer.
La herramienta también predijo con precisión qué pacientes se beneficiarían de una clase de tratamientos contra el cáncer conocidos como inhibidores de puntos de control inmunitarios. Si bien estas terapias funcionan en muchos pacientes con cáncer de colon, algunas experimentan un beneficio medible y tienen efectos secundarios graves. Por lo tanto, el modelo podría ayudar a los médicos a personalizar el tratamiento y evitar a los pacientes que no se beneficiarían, dijo Yu.
El modelo también detectó con éxito cambios epigenéticos asociados con el cáncer colorrectal. Se sabe que estos cambios, que ocurren cuando las moléculas conocidas como grupos metilo se unen al ADN y alteran el comportamiento de ese ADN, silencian los genes que suprimen los tumores, lo que hace que los cánceres crezcan rápidamente. La capacidad del modelo para identificar estos cambios marca otra forma en que puede informar la elección del tratamiento y el pronóstico.
