Predictive Radiomics for Evaluation of Cancer Immune SignaturE in Glioblastoma: the PRECISE-GBM study

Resumen Técnico: Radiómica Predictiva para la Evaluación de la Firma Inmune del Cáncer en el Glioblastoma (PRECISE-GBM)

Enunciado del Problema
El microambiente tumoral (TME) inmune en el glioblastoma IDH-salvaje (IDH-wt) se caracteriza por una heterogeneidad significativa y un estado inmunosupresor, lo que plantea desafíos para la eficacia de la inmunoterapia. Las estrategias actuales para identificar biomarcadores inmunes dependen de biopsias de tejido invasivas, histopatología e inmunohistoquímica. Estos métodos proporcionan conocimientos moleculares detallados, pero están limitados por la heterogeneidad espacial, la incapacidad de muestrear lesiones profundas o inoperables, y la falta de herramientas no invasivas para la estratificación de pacientes preoperatoria. Los autores hipotetizan que las imágenes de resonancia magnética (MRI) preoperatorias contienen biomarcadores radiológicos capaces de predecir el estado inmune del tumor, específicamente firmas de células inmunes derivadas de datos transcriptómicos, ofreciendo así una vía no invasiva para el enriquecimiento de ensayos clínicos.

Metodología
El estudio PRECISE-GBM es un estudio retrospectivo, multicéntrico de desarrollo de biomarcadores y validación analítica que utiliza el conjunto de datos de acceso abierto más grande conocido de imágenes de MRI preoperatorias emparejadas y datos transcriptómicos para glioblastoma IDH-wt.

• Curación y Armonización de Datos: El estudio integró datos de cinco repositorios públicos: TCGA-GBM, CPTAC, IvyGAP, REMBRANDT y CGGA, que comprenden 176 pacientes. Para abordar la falta de secuencias FLAIR en el conjunto de datos CGGA, se generaron imágenes sintéticas de FLAIR utilizando una Red Adversaria Generativa (GAN) basada en pix2pix; estas imágenes sintéticas se restringieron a los datos de entrenamiento para garantizar la integridad de la prueba de retención. Los datos transcriptómicos (RNA-seq y microarrays) se armonizaron utilizando ComBat para eliminar efectos de lote.
• Construcción de Etiquetas Inmunes: Se aplicó citometría digital (CIBERSORTx) a datos transcriptómicos masivos utilizando dos matrices de firma de referencia: una matriz pan-cáncer y una matriz específica de glioblastoma. Este proceso estimó puntuaciones para 17 categorías de células inmunes (incluyendo subconjuntos de células T, subtipos de macrófagos M0/M1/M2, microglía, células NK y células dendríticas). Estas puntuaciones continuas se binarizaron en clases "alta" (1) o "baja" (0) utilizando un Modelo de Mezcla Gaussiana (GMM).
• Extracción de Características Radiómicas: La auto-segmentación basada en aprendizaje profundo (DeepBraTumIA) delimitó tres regiones tumorales: núcleo necrótico, tumor realzante y edema. Se extrajeron características radiómicas (forma, de primer orden y de textura de alto orden de GLCM, GLSZM, GLDM, NGTDM y GLRLM) de las secuencias T1, T1CE, T2 y FLAIR.
• Arquitectura del Modelo y Validación:
  • Preprocesamiento: Se eliminaron valores atípicos mediante Análisis de Componentes Principales (PCA) y el elipsoide T2 de Hotelling. Las características radiómicas se armonizaron utilizando neuroCombat y se normalizaron mediante puntuación Z.
  • Selección de Características: Se utilizó el Operador de Encogimiento y Selección Mínima Absoluta (LASSO) con validación cruzada anidada de 5 pliegues para seleccionar características discriminativas para cada etiqueta inmune.
  • Clasificación: Se entrenaron dos tipos de modelos: Máquinas de Vectores de Soporte (SVM) y un modelo de Conjunto (SVM ponderado 2:1:1 con Bosque Aleatorio y Boosting de Gradiente basado en Histogramas).
  • Estrategia de Validación: Se realizaron tres experimentos independientes entre cohortes. En cada uno, los modelos se entrenaron en una combinación de conjuntos de datos y se validaron en un conjunto de datos externo estrictamente retenido (IvyGAP, TCGA o CPTAC) para evaluar la generalización. El rendimiento se evaluó utilizando precisión, exactitud equilibrada y Coeficiente de Correlación de Matthews (MCC). Se utilizó remuestreo con bootstrap (10.000 iteraciones) para comparar estadísticamente el rendimiento del modelo.

Resultados Clave

• Selección de Características: Tras la selección, se identificaron 2069 características radiómicas distintas en las 17 categorías inmunes. Las características se distribuyeron relativamente uniformemente entre las regiones tumorales (núcleo necrótico, realzante, edema) y las secuencias de MRI.
• Rendimiento del Modelo:
  • Firma de Macrófagos M0: El modelo de conjunto que utiliza la matriz de firma pan-cáncer (ENS_pan) demostró el rendimiento más estable para predecir el subtipo de macrófagos M0. En los tres conjuntos de datos de retención independientes, alcanzó una exactitud equilibrada media de 0,67 y una precisión media de 0,89. El Coeficiente de Correlación de Matthews (MCC) fue moderadamente positivo (media 0,22).
  • Firmas de Células T: Los modelos SVM mostraron promesa para categorías relacionadas con células T (por ejemplo, CD4, CD8, células T en general) en conjuntos de retención específicos, alcanzando una exactitud equilibrada alta en algunos casos (hasta 1,00), pero estos resultados fueron menos estables en los tres experimentos en comparación con el modelo M0.
  • Otras Categorías: Muchas otras categorías inmunes (por ejemplo, Tregs, macrófagos M1/M2) resultaron en métricas "no evaluables" o inestables debido al desequilibrio extremo de clases en los conjuntos de prueba de retención binarizados, donde una clase estaba representada por un solo caso o estaba ausente por completo.
• Explicabilidad: El análisis SHAP (Explicaciones Aditivas de Shapley) para el modelo M0 indicó que las predicciones estaban impulsadas por características de textura de alto orden (GLCM, GLSZM, GLDM) que reflejan la heterogeneidad espacial y la organización estructural, en lugar de características dominantes individuales.
• Correlación Pronóstica: Los pacientes predichos con una firma M0 "alta" demostraron una supervivencia global significativamente más larga en comparación con aquellos con una firma "baja" (p de log-rank = 0,04).

Contribuciones Clave

1. Curación de Conjuntos de Datos: El estudio creó y armonizó el conjunto de datos radiogenómico de acceso abierto más grande para glioblastoma IDH-wt, integrando datos de MRI emparejados y datos transcriptómicos de cinco repositorios principales.
2. Marco Metodológico: Los autores desarrollaron un pipeline riguroso para el análisis radiogenómico que incluye la generación de imágenes sintéticas para secuencias faltantes, corrección de lotes para datos de imagen y genómicos, y una estrategia de validación entre cohortes robusta utilizando tres conjuntos de retención externos independientes.
3. Identificación de Biomarcadores: El estudio identificó la firma inmune de macrófagos M0 como la única característica relacionada con el sistema inmune predecible de manera fiable a partir de MRI preoperatorio utilizando el pipeline desarrollado.
4. Validación Analítica: A diferencia de estudios anteriores que a menudo dependen de validación cruzada interna, este estudio proporcionó validación analítica a través de tres cohortes externas distintas, demostrando la estabilidad del modelo predictivo de M0.

Significado y Afirmaciones
Los autores afirman que el estudio PRECISE-GBM desarrolló y validó analíticamente con éxito un pipeline basado en MRI no invasivo para interrogar la inmunobiología del glioblastoma, específicamente para el subtipo de macrófagos M0. El significado de este trabajo radica en su potencial para estratificar pacientes para ensayos de inmunoterapia antes de la biopsia, abordando la necesidad de enriquecimiento de ensayos en una enfermedad con alta heterogeneidad. Los autores posicionan estos biomarcadores como una herramienta complementaria al análisis basado en tejido, particularmente para pacientes inoperables o lesiones profundas.

El artículo enmarca modestamente estos hallazgos como una "prueba de concepto" y una "ruta plausible" para la aplicación clínica futura. Establece explícitamente que los modelos requieren validación clínica prospectiva en "modo sombra" dentro de ensayos de inmunoterapia neoadyuvante antes de su despliegue clínico. El estudio enfatiza que, aunque la firma M0 mostró estabilidad, la aplicación más amplia a otros tipos de células inmunes estuvo limitada por la distribución de datos y el desequilibrio de clases, lo que hace necesaria la creación de conjuntos de datos más grandes y equilibrados para su refinamiento futuro. La arquitectura del pipeline y los métodos de evaluación se presentan como una plantilla para futuros estudios radiogenómicos.