Los investigadores han desarrollado con éxito un modelo de aprendizaje profundo que clasifica el adenocarcinoma ductal pancreático (PDAC), la forma más común de cáncer de páncreas, en subtipos moleculares utilizando imágenes histopatológicas.

Este enfoque logra una gran precisión y ofrece una alternativa rápida y rentable a los métodos actuales que dependen de costosos ensayos moleculares.

El nuevo estudio en The American Journal of Pathology, publicado por Elsevier, es prometedor para avanzar en las estrategias de tratamiento personalizado y mejorar los resultados de los pacientes.

Los PDAC han superado recientemente al cáncer de mama como tercera causa de mortalidad 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 se practica una intervención quirúrgica a estos pacientes, la tasa de supervivencia a cinco años sigue siendo del 20%.

Aproximadamente el 80% de los pacientes ya han desarrollado enfermedad metastásica en el momento del diagnóstico, y la mayoría de ellos sucumben a la enfermedad en el plazo de un año.

La agresividad del PDAC plantea un reto formidable a la hora de utilizar las tecnologías de secuenciación para determinar un plan de atención al paciente.

El rápido deterioro clínico de la enfermedad exige una actuación rápida para identificar a los individuos elegibles para terapias dirigidas e inclusión en ensayos clínicos.

Sin embargo, los plazos actuales para la elaboración de perfiles moleculares, que oscilan entre 19 y 52 días desde el momento de la biopsia, no alcanzan a satisfacer estas demandas sensibles al tiempo.

El coinvestigador principal, el doctor David Schaeffer, del Departamento de Patología y Medicina de Laboratorio de la Universidad de Columbia Británica, el Hospital General de Vancouver y el Pancreas Centre BC, explica : «Cada vez se descubren más subtipos potencialmente procesables para personalizar el tratamiento de los pacientes con cáncer de páncreas. Sin embargo, la subtipificación sigue basándose por completo en la metodología genómica basada en el ADN y el ARN extraídos del tejido. Esta metodología es excepcional si se dispone de suficiente tejido, lo que no siempre es el caso de los tumores de PDAC dada la difícil localización anatómica de este órgano. Nuestro estudio proporciona un método prometedor para clasificar de forma rentable y rápida los subtipos moleculares de PDAC a partir de portaobjetos rutinarios teñidos con hematoxilina-eosina, lo que podría conducir a una gestión clínica más eficaz de esta enfermedad."

El estudio consistió en entrenar modelos de IA de aprendizaje profundo en imágenes de patología de portaobjetos completos para identificar los subtipos moleculares de PDAC -basal-like y clásico- utilizando portaobjetos teñidos con hematoxilina y eosina (H&E).

La tinción con H&E es una técnica rentable y ampliamente disponible que se realiza de forma rutinaria con tiempos de respuesta rápidos en los laboratorios de patología para el diagnóstico y el pronóstico.

Los modelos se entrenaron con 97 portaobjetos de The Cancer Genome Atlas (TCGA) y se probaron con 110 portaobjetos de 44 pacientes de una cohorte local.

El modelo con mejores resultados alcanzó una precisión del 96,19% en la identificación de los subtipos clásico y basal en el conjunto de datos del TCGA y del 83,03% en la cohorte local, lo que pone de manifiesto su solidez en diferentes conjuntos de datos.

El coinvestigador principal, Ali Bashashati, doctor de la Escuela de Ingeniería Biomédica y del 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 convierte a esta herramienta de IA en un instrumento muy aplicable para triar a los pacientes para pruebas moleculares. Además, el principal logro de este estudio es el hecho de que el modelo de IA fue capaz de detectar los subtipos a partir de imágenes de biopsias, lo que lo convierte en una herramienta de gran utilidad que puede desplegarse en el momento del diagnóstico."

El Dr. Bashashati concluye: «Este enfoque basado en la IA ofrece un avance apasionante en el diagnóstico del cáncer de páncreas, ya que nos permite identificar subtipos moleculares clave de forma rápida y rentable.»

Fuente: Elsevier