Fusing Data from CT Deep Learning, CT Radiomics and Peripheral Blood Immune profiles to Diagnose Lung Cancer in a Cohort of Patients Experiencing Symptoms

Resumen Técnico: Fusión de Aprendizaje Profundo por TC, Radiómica por TC y Perfiles Inmunitarios de Sangre Periférica para el Diagnóstico de Cáncer de Pulmón

Planteamiento del Problema
El cáncer de pulmón sigue siendo la principal causa de muerte relacionada con el cáncer a nivel mundial, debido principalmente al diagnóstico en etapas tardías. Los métodos de cribado actuales, como la tomografía computarizada de dosis baja (TCDB), presentan limitaciones debido a las altas tasas de falsos positivos, la exclusión de no fumadores y poblaciones más jóvenes, y una carga de trabajo significativa para el radiólogo que provoca retrasos en los exámenes. Además, los enfoques actuales de biopsia líquida basados en el ADN tumoral circulante (ctDNA) han mostrado una baja sensibilidad para el cáncer de pulmón en estadios tempranos (Estadio I) en entornos sintomáticos. Existe una necesidad crítica de una herramienta de diagnóstico mínimamente invasiva y robusta que pueda mejorar la sensibilidad y especificidad para pacientes que presentan síntomas, reduciendo potencialmente la dependencia de la interpretación manual del radiólogo y detectando neoplasias malignas antes de lo que permite la liberación de ácidos nucleicos.

Metodología
El estudio, titulado "LungExoDETECT", fue un estudio de cohorte prospectivo realizado entre octubre de 2020 y noviembre de 2021, que involucró a 344 pacientes derivados a clínicas de pulmón en el Reino Unido con síntomas sospechosos de cáncer de pulmón.

• Adquisición de Datos:
  • Imagenología: Los pacientes se sometieron a exploraciones de TC estándar. Las lesiones fueron analizadas mediante dos enfoques computacionales distintos:
    1. Análisis de Textura por TC (CTTA): Extracción de 42 características basadas en métodos de histograma de filtración (utilizando el software TexRAD).
    2. Autoencoders de Aprendizaje Profundo (DLA): Utilización de un modelo de aprendizaje profundo para generar 32 vectores de características latentes que representan las características de la lesión (p. ej., tamaño, morfología, adhesión pleural).
  • Análisis de Sangre: Se recolectaron muestras de sangre periférica que fueron analizadas mediante:
    1. Citometría de Flujo de Alta Profundidad: Perfilado de 45 subconjuntos de células inmunitarias.
    2. Dot-blot de Proteínas de Exosomas: Análisis de 68 componentes proteicos de exosomas.
• Construcción del Modelo:
  • De la cohorte inicial de 344 pacientes, se excluyeron 174 (lesiones <6 mm, ausencia de lesión visible o diagnóstico de no cáncer de pulmón), dejando 170 pacientes (79 con cáncer de pulmón, 91 sin cáncer) para el análisis.
  • La cohorte se dividió en un conjunto de entrenamiento (75%) y un conjunto de prueba independiente (25%). Esta división se repitió 8 veces mediante bootstrapping para asegurar la robustez.
  • Se empleó la Regresión Multivariante Bayesiana (BMR) para la generación de la firma. A diferencia de los métodos regularizados (p. ej., LASSO/Elastic Net), que pueden sufrir sobreajuste, la BMR fue elegida por su capacidad para realizar una selección automática de covariables y proporcionar pesos interpretables minimizando el sobreajuste.
  • Estrategias de Fusión: El estudio evaluó tres niveles de fusión de datos:
    1. Fusión Temprana (Early Fusion): Combinación de las covariables brutas de todas las modalidades.
    2. Fusión Intermedia (Intermediate Fusion): Combinación de las características seleccionadas de las firmas individuales.
    3. Fusión Tardía (Late Fusion): Combinación de los resultados de las puntuaciones de riesgo de las firmas individuales.

Contribuciones Clave

1. Integración de Nuevos Biomarcadores: El estudio propone una firma diagnóstica que fusiona el análisis de imagen por TC automatizado (tanto radiómica como aprendizaje profundo) con el perfilado inmunitario periférico, centráéndose específicamente en la respuesta inmunitaria en lugar de la liberación de ácidos nucleicos.
2. Identificación de Firmas Inmunitarias Específicas: El análisis identificó dos predictores inmunitarios robustos:
   • Regulación al alza de linfocitos T CD8+ KIR3DL1+: Asociada con la presencia de cáncer de pulmón. Estas células exhibieron un estado funcional agotado (baja expresión de CD107a).
   • Regulación a la baja de Células Dendríticas de Tipo 2 (cDC2): Asociada con patologías no cancerosas (frecuentemente infecciones o reacciones alérgicas).
3. Interpretabilidad: El uso de la regresión bayesiana permitió un modelo de "caja blanca" donde se identificaron y ponderaron explícitamente los componentes biológicos específicos (p. ej., subconjuntos de células inmunitarias y escalas de textura de TC) que contribuyen a la predicción.
4. Validación en Cohorte Sintomática: El modelo fue validado específicamente en pacientes que ya presentaban síntomas, un entorno donde la detección temprana es más desafiante y clínicamente urgente.

Resultados

• Rendimiento de Modalidad Única:
  • DLA (Aprendizaje Profundo): Logró el mayor AUC de modalidad única (0.73), superando al CTTA (0.70) y a la firma inmunitaria (0.69).
  • Firma Inmunitaria: Funcionó significativamente mejor que la firma de proteínas de exosomas, la cual fue inconsistente y no se utilizó en el modelo combinado final.
• Rendimiento Combinado:
  • La firma combinada final, que fusiona los datos inmunitarios con los datos de TC (específicamente los modelos DLA y CTTA), alcanzó un ROC AUC de 0.81.
  • Sensibilidad: 0.72 (72%) general. La sensibilidad se mantuvo alta (76–78%) en la mayoría de los estadios, con una caída notable en el Estadio II (atribuida al pequeño tamaño de la muestra en ese subgrupo).
  • Especificidad: 0.77 (77%), lo cual es notable dado que la cohorte consistía en pacientes con síntomas avanzados y patologías no cancerosas.
• Detección de No Cáncer de Pulmón: Al aplicarse a 11 pacientes con cánceres distintos al de pulmón (usando solo la firma inmunitaria, ya que la TC era irrelevante), el modelo detectó 9/11 casos (82% de sensibilidad), fallando únicamente en dos casos de cáncer de mama.
• Selección de Características: El modelo final seleccionó consistentemente covariables específicas a través de las 8 ejecuciones de bootstrapping, incluyendo los marcadores inmunitarios (KIR3DL1+ CD8 y cDC2) y características específicas de TC (intensidad media en SSF=0 e intensidad media de píxeles positivos en SSF=3).

Significancia y Reivindicaciones
El artículo sostiene que la combinación del monitoreo inmunitario con el análisis de tomografía computarizada automatizado ofrece una vía viable para mejorar la sensibilidad y especificidad del cribado de cáncer de pulmón, incluso en pacientes sintomáticos. Los autores enfatizan que:

• La Respuesta Inmune como Marcador Temprano: La detección basada en células inmunitarias puede ocurrir en un punto temporal más temprano que la liberación de ácidos nucleicos (ctDNA), abordando potencialmente la baja sensibilidad de las biopsias líquas actuales para la enfermedad en estadios tempranos.
• Reducción de la Carga del Radiólogo: Mediante el uso de aprendizaje profundo y radiómica automatizados, el enfoque busca aliviar la carga de los radiólogos, que es un cuello de botella conocido en las vías de cribado actuales.
• Utilidad Clínica: El modelo matemático resultante es altamente interpretable, señalando componentes inmunitarios específicos que impulsan la predicción. Los autores señalan que, si bien el AUC de 0.81 está dentro del ámbito de la utilidad clínica, el modelo fue desarrollado para pacientes sintomáticos y se requiere una validación adicional en cohortes independientes y diferentes poblaciones de cribado.
• Robustez Metodológica: El estudio destaca la ventaja de la regresión bayesiana sobre el Elastic Net en este contexto, citando su capacidad superior para prevenir el sobreajuste y seleccionar un número óptimo de covariables basado en la evidencia en lugar de solo en la regularización.

Los autores concluyen que este enfoque multimodal refuerza el valor del perfilado de la respuesta inmunitaria sistémica como una herramienta complementaria a la imagenología para la detección temprana del cáncer de pulmón.