Application of H&E images combined with gene expression data-driven multimodal deep learning models in gastric cancer prognosis

El cáncer gástrico, a menudo llamado cáncer de estómago, sigue siendo uno de los desafíos de salud más formidables en todo el mundo, cobrándose cientos de miles de vidas cada año. Durante décadas, los médicos han dependido de un sistema llamado estadificación TNM para predecir cómo le irá a un paciente. Este sistema actúa como un mapa, trazando el tamaño de un tumor y qué tan lejos se ha extendido a los ganglios linfáticos cercanos o a órganos distantes. Si bien este mapa es esencial, también está incompleto. Describe la extensión física de la enfermedad, pero a menudo ignora la personalidad biológica única del propio cáncer. Dos pacientes con tumores del mismo tamaño y ubicación pueden tener resultados muy diferentes porque sus cánceres se comportan de manera distinta a nivel microscópico. Para cerrar esta brecha, los científicos están recurriendo a dos fuentes poderosas de información que tradicionalmente se han mantenido separadas: los patrones visuales que se ven bajo un microscopio y las instrucciones moleculares escritas dentro de las células. Una fuente es la lámina H&E, una lámina de vidrio estándar donde una fina sección de tejido se tiñe con tintes rosas y púrpuras para revelar la forma y la disposición de las células. La otra es la expresión génica, una lectura digital de qué genes están activos dentro del tumor, actuando como una huella dactilar molecular. El desafío ha sido combinar estos dos tipos de información tan diferentes —imágenes y números— en una imagen única y coherente que pueda decirle a un médico exactamente qué tan peligroso es probable que sea el cáncer de un paciente específico.

En un estudio reciente, investigadores del Hospital Afiliado de la Universidad de Qinghai abordaron este desafío construyendo un nuevo tipo de modelo computacional diseñado para aprender de los mundos visual y molecular simultáneamente. Llamaron a su creación PGC-pro, un sistema que no solo observa la forma de un tumor o sus genes de forma aislada, sino que estudia cómo se comunican entre sí. El equipo comenzó con datos de 318 pacientes que habían sido tratados por cáncer de estómago. Para cada paciente, recopilaron tres cosas: un escaneo digital de la lámina completa del tumor, una lista de qué tan activos estaban miles de genes en ese tumor y la historia clínica del paciente, incluyendo la edad y la etapa de la enfermedad. Los investigadores primero enseñaron a la computadora a reconocer las partes más importantes de las imágenes microscópicas. Utilizando un método que imita cómo un patólogo escanea una lámina, el sistema aprendió a ignorar los espacios vacíos y a concentrarse en las áreas congestionadas donde las células cancerosas están invadiendo el tejido normal. Simultáneamente, la computadora analizó los datos genéticos para encontrar los genes específicos que estaban más fuertemente vinculados a cuánto tiempo sobrevivían los pacientes, reduciendo miles de posibilidades a un grupo central de 150 genes que realmente importaban.

La innovación central de este trabajo reside en cómo la computadora conecta estos dos flujos de información. En lugar de simplemente apilar los datos de la imagen junto a los datos de los genes, el modelo utiliza un mecanismo que permite que ambos se hagan preguntas entre sí. Imagine que los datos de la imagen le preguntan a los datos de los genes: "¿Qué cambios moleculares están ocurciendo en este grupo específico de células?", mientras que los datos de los genes le preguntan a la imagen: "¿Cómo se ve el tejido donde estos genes están más activos?". Este intercambio de ida y vuelta permite al modelo encontrar conexiones profundas que ninguno de los dos lados podría ver por sí solo. Por ejemplo, el modelo podría aprender que una disposición de células particularmente desordenada en la imagen casi siempre se asocia con un alto nivel de actividad en ciertos genes, y que esta combinación específica es una señal de advertencia de un mal pronóstico. Al integrar estas pistas visuales y moleculares con la edad del paciente y la etapa de la enfermedad, el modelo genera una puntuación de riesgo única para cada persona.

Los resultados de este enfoque fueron claros y medibles. Cuando los investigadores probaron el modelo con los datos de los pacientes, este demostró ser significativamente mejor para predecir la supervivencia que cualquier método que utilizara un solo tipo de información. Un modelo que solo observaba los genes podía predecir los resultados con cierto nivel de precisión, y un modelo que solo observaba las imágenes lo hacía ligeramente peor, pero el modelo combinado superó a ambos. El sistema alcanzó una puntuación que indica una alta capacidad para clasificar correctamente a los pacientes según su riesgo de muerte, una cifra que aumentó notablemente cuando se utilizaron las tres fuentes de datos juntas. Más importante aún, el modelo no actuó como una "caja negra" misteriosa que da una respuesta sin explicación. Los investigadores incorporaron herramientas que les permitieron ver exactamente a qué estaba mirando la computadora. Pudieron generar mapas de calor que mostraban en qué partes de la lámina del tumor se enfocaba el modelo, y estos mapas resaltaban consistentemente los bordes del tumor donde este invadía el tejido sano, así como las áreas de células muertas. También pudieron ver qué genes impulsaban la predicción, identificando marcadores moleculares específicos que el modelo había aprendido que eran críticos. Esta transparencia es vital, ya que permite a los médicos confiar en el juicio de la computadora al ver la evidencia biológica que lo sustenta.

El estudio también probó qué tan bien se mantendría el modelo si tuviera que hacer predicciones a lo largo del tiempo. Logró estimar con éxito las probabilidades de supervivencia a uno, tres y cinco años, manteniendo su precisión a través de estos diferentes plazos. Cuando los pacientes fueron divididos en grupos de alto y bajo riesgo basados en las puntuaciones del modelo, la diferencia en sus tasas de supervivencia reales fue marcada y estadísticamente significativa, confirmando que el modelo podía separar eficazmente a quienes probablemente estarían bien de quienes no lo estarían. Los investigadores señalaron que, si bien el modelo funcionó bien, fue entrenado con una única base de datos de registros de pacientes, y su capacidad para trabajar con pacientes de diferentes hospitales o regiones aún debe ser probada. También reconocieron que las imágenes que utilizaron presentaban a veces imperfecciones, como una tinción desigual, lo que podría afectar la visión de la computadora. A pesar de estas limitaciones, el trabajo demuestra que combinar la historia visual de un tumor con su historia molecular crea una herramienta mucho más poderosa para comprender la enfermedad. Al demostrar que estos diferentes tipos de datos pueden entrelazarse para revelar una imagen más clara del futuro, esta investigación ofrece un camino prometedor hacia una atención más personalizada y precisa para los pacientes que enfrentan el cáncer gástrico.