Mammography-Based Deep Learning Radiomics for Predicting HER2 Expression in Breast Cancer: A Dual-Center Study with Focus on HER2-Low Status
Este estudio de dos centros demuestra que un modelo de radiómica de aprendizaje profundo basado en mamografía que utiliza la arquitectura Visformer puede predecir de manera no invasiva y fiable tanto el estado HER2-positivo frente al HER2-negativo como el estado HER2-bajo frente al HER2-cero en pacientes con 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 sigue siendo la neoplasia más común que afecta a las mujeres a nivel mundial, una enfermedad donde la composición biológica específica de un tumor dicta el camino a seguir para el tratamiento. Entre los muchos marcadores que los médicos examinan para comprender un tumor, uno llamado HER2 es particularmente crítico. En aproximadamente uno de cada cinco casos recién diagnosticados, las células cancerosas portan una abundancia de esta proteína, una condición conocida como HER2-positivo. Estos tumores tienden a crecer de forma más agresiva, pero también responden bien a terapias dirigidas específicas diseñadas para atacar esa proteína. Durante décadas, el enfoque estándar para identificar estos tumores ha sido tomar una pequeña muestra de tejido, conocida como biopsia, y examinarla bajo un microscopio. Sin embargo, una categoría más nueva ha surgido recientemente en el entendimiento médico: el HER2-bajo. Estos tumores no tienen suficiente de la proteína para ser llamados positivos, pero poseen lo justo para responder potencialmente a una nueva generación de fármacos potentes. Distinguir entre los tumores que no tienen nada de HER2 y aquellos que tienen un poco es ahora una cuestión clínica vital, pero el método tradicional de prueba depende de procedimientos invasivos que a veces pueden errar el objetivo debido a la distribución desigual de las células dentro de un tumor.
Un equipo de investigadores se propuso ver si un enfoque diferente y no invasivo podría resolver este problema. Recurrieron a la mamografía, la radiografía estándar utilizada en el cribado del cáncer de mama, que es ampliamente disponible y familiar para la mayoría de las mujeres. En lugar de depender únicamente de la inspección visual de un radiólogo de la imagen, el equipo aplicó una técnica llamada radiómica de aprendizaje profundo. Este proceso consiste en introducir las imágenes digitales de la mamografía en un sistema informático capaz de detectar patrones y texturas sutiles que son demasiado finos para el ojo humano. Los investigadores querían saber si estas firmas digitales ocultas podían predecir el estado de HER2 de un tumor antes de que se realizara cualquier cirugía o biopsia. Se centraron en dos desafíos específicos: primero, distinguir los tumores que son HER2-positivos de los que no lo son, y segundo, separar el grupo recientemente importante de HER2-bajo de aquellos con expresión cero de HER2.
Para probar su idea, los investigadores recopilaron datos de 546 mujeres con cáncer de mama confirmado en dos centros médicos diferentes. Dividieron a las pacientes en grupos para entrenar sus modelos informáticos y luego para probarlos, asegurando que los resultados no fueran solo un golpe de suerte en un único conjunto de datos. El sistema informático analizó las mamografías, extrayendo miles de detalles numéricos diminutos sobre la forma, la textura y la densidad de los tumores. Al combinar las predicciones de varios modelos matemáticos diferentes, el equipo creó una herramienta única y robusta diseñada para tomar la decisión final. Los resultados mostraron que este enfoque digital podía, de hecho, "ver" la diferencia. Al intentar distinguir los tumores HER2-positivos del resto, el modelo funcionó con un alto grado de precisión en sus pruebas iniciales, y aunque su rendimiento disminuyó ligeramente al ser probado en un grupo completamente nuevo de pacientes de un hospital diferente, mantuvo una capacidad fiable para distinguir los grupos.
Los hallazgos fueron aún más alentadores cuando el equipo se centró en la difícil tarea de separar los tumores HER2-bajo de aquellos sin nada de HER2. En la fase inicial de entrenamiento, el modelo tuvo un gran éxito y se mantuvo razonablemente firme cuando se aplicó al grupo externo de pacientes. El estudio también analizó los factores tradicionales que los médicos utilizan para evaluar el riesgo, como el tamaño del tumor, la edad de la paciente y la densidad del tejido mamario. Confirmaron que ciertas características, como un alto grado de las células tumorales y una rápida tasa de división celular, estaban fuertemente vinculadas al estado HER2-positivo. Del mismo modo, descubrieron que el estado de los receptores hormonales y la densidad mamaria desempeñaban un papel en la identificación de los tumores HER2-bajo. Sin embargo, la capacidad del modelo informático para predecir estos estados directamente a partir de las imágenes de rayos X ofreció una nueva capa de información que no dependía únicamente de estas otras variables.
Los investigadores reconocieron que su trabajo tiene límites. Debido a que el estudio analizó registros de pacientes pasados en lugar de seguir a nuevos pacientes a lo largo del tiempo, existe la posibilidad de que la selección de datos haya introducido algún sesgo. El delineado manual de las áreas del tumor en las radiografías por parte de radiólogos humanos también significa que el proceso aún no es totalmente automatizado. Además, el número de pacientes, aunque sustancial, no era lo suficientemente grande como para garantizar que los resultados se mantuvieran en todos los escenarios posibles. A pesar de estas limitaciones, el estudio sugiere que la mamografía, a menudo vista simplemente como una herramienta para encontrar el cáncer, podría también servir como una poderosa ventana hacia la naturaleza molecular de la enfermedad. Al ofrecer una forma no invasiva de estimar el estado de HER2, este enfoque podría ayudar algún día a los médicos a tomar decisiones más informadas sobre los planes de tratamiento, reduciendo potencialmente la necesidad de biopsias repetidas y asegurando que las pacientes reciban las terapias dirigidas adecuadas más pronto. El trabajo no pretende reemplazar el estándar de oro actual de las pruebas de tejido, pero apunta hacia un futuro donde las imágenes y la inteligencia artificial trabajen juntas para proporcionar una imagen más clara y completa de la enfermedad antes de que se utilice siquiera una aguja.
¿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.