Prediction of HER2 FISH result from registered H&E and IHC slides in breast cancer
Este estudio demuestra que un modelo de aprendizaje profundo multimodal entrenado en portaobjetos emparejados y registrados de H&E e IHC puede predecir con precisión los resultados de FISH para HER2, eliminando potencialmente la necesidad de la costosa prueba de FISH en aproximadamente un tercio de los casos equívocos de cáncer de mama.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
El cáncer de mama no es una única enfermedad, sino un conjunto de diferentes condiciones, cada una impulsada por señales moleculares únicas que dictan cómo crece el tumor y cómo debe ser tratado. Una de las señales más críticas por identificar es una proteína llamada HER2. Cuando esta proteína está presente en grandes cantidades, actúa como un acelerador para el cáncer, haciendo que crezca rápidamente. Afortunadamente, los médicos han desarrollado terapias dirigidas que pueden apagar este acelerador, pero estos tratamientos solo funcionan si el cáncer del paciente posee realmente la señal HER2. Para averiguarlo, los patólogos examinan muestras de tejido bajo un microscopio. Primero observan una lámina teñida estándar, que muestra la forma general de las células, y luego a menudo utilizan una tinción química especial para resaltar la propia proteína HER2. Si los niveles de la proteína son claramente altos o claramente bajos, el diagnóstico es directo. Sin embargo, aproximadamente uno de cada siete pacientes cae en un área gris donde los niveles de la proteína son ambiguos. Para estos pacientes, el estándar de atención requiere una tercera prueba, más compleja, que utiliza la luz para contar los genes reales dentro de las células. Esta prueba adicional es costosa, consume mucho tiempo y no está disponible para todos, particularmente en regiones con menos recursos médicos.
Un equipo de investigadores de Israel, Portugal y Estados Unidos ha explorado una forma de evitar este difícil tercer paso para muchos pacientes. Se preguntaron si una computadora, entrenada con miles de imágenes de microscopio, podría observar la lámina de tejido estándar y la tinción especial de proteínas juntas para predecir el resultado de la compleja prueba de genes. Para hacer esto, primero tuvieron que resolver un rompecabezas físico: las dos láminas provienen del mismo trozo de tejido pero se cortaron en momentos diferentes y se tiñeron de forma distinta, lo que significa que no se alinean perfectamente. Los investigadores desarrollaron un método para alinear digitalmente estas dos imágenes, haciendo coincidir los patrones específicos de las células de una lámina con los patrones correspondientes en la otra. Luego, introdujeron estos pares alineados en un sistema de aprendizaje profundo (deep learning), un tipo de inteligencia artificial que aprende mediante el análisis de vastas cantidades de datos visuales. El sistema fue entrenado para reconocer las sutiles pistas visuales en el tejido que indican si es probable que las células cancerosas tengan la amplificación génica que la compleja prueba suele detectar.
El estudio, que analizó datos de casi 1,500 pacientes, encontró que este enfoque combinado funciona con una precisión notable. Cuando los investigadores probaron el sistema en casos donde la tinción de proteína inicial era ambigua, el modelo computacional pudo predecir el resultado de la prueba de genes con un alto grado de certeza. En aproximadamente un tercio de estos casos difíciles, el modelo estaba tan seguro de su predicción que podía descartar eficazmente la necesidad de la costosa prueba de genes. Para un ocho por ciento de estos casos ambiguos, el modelo estaba seguro de que el cáncer era positivo para el gen, y para otro veintiuno por ciento, estaba seguro de que el cáncer era negativo. En estos grupos específicos, las predicciones del modelo fueron tan confiables que coincidieron perfectamente con la prueba de referencia (gold-standard) en la validación del estudio. Esto sugiere que, para una parte significativa de los pacientes, la compleja prueba de genes podría omitirse sin comprometer la precisión del diagnóstico.
Los investigadores también compararon su nuevo método contra el uso de solo la tinción de proteína o solo la lámina de tejido estándar. Encontraron que, si bien la tinción de proteína por sí sola era buena, añadir la lámina de tejido estándar mejoró significamente los resultados. La lámina estándar proporcionó contexto, ayudando a la computadora a enfocarse específicamente en las áreas cancerosas e ignorar el tejido sano circundante, lo que condujo a mejores predicciones. El estudio sugiere que esta tecnología podría ser una herramienta poderosa de triaje, ayudando a los médicos a decidir qué pacientes realmente necesitan la costosa prueba de genes y cuáles pueden ser tratados basándose únicamente en las imágenes más simples. Esto podría ser especialmente valioso en países donde la prueba compleja es difícil de obtener, permitiendo potencialmente que más pacientes reciban el tratamiento vital adecuado más pronto.
Sin embargo, los autores advierten cuidadosamente que esto no es un reemplazo de la prueba de genes en todas las situaciones. El modelo todavía comete errores en un pequeño número de casos, y no fue diseñado para detectar niveles muy bajos de la proteína que están cobrando relevancia para nuevos tratamientos. El estudio se llevó a cabo sobre un conjunto específico de datos, y los investigadores reconocen que el sistema necesita ser probado en otros hospitales y con diferentes grupos de pacientes antes de que pueda ser adoptado ampliamente. También señalan que su método actualmente requiere que un humano marque algunos puntos en las láminas para ayudar a la computadora a alinearlas, un paso que se está refinando para volverse completamente automático. A pesar de estas limitaciones, el trabajo demuestra que combinar dos tipos comunes de imágenes de microscopio con inteligencia artificial puede extraer información que anteriormente se pensaba que requería un procedimiento mucho más complejo y costoso.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.