An outcome-blind H&E architecture score is associated with prostate cancer-specific mortality
Este estudio introduce una puntuación de arquitectura H&E ciega al desenlace derivada del aprendizaje profundo que predice la mortalidad específica por cáncer de próstata e identifica subgrupos de alto riesgo, incluyendo aquellos con un Gleason de biopsia ≤6, al capturar características adversas como el crecimiento cribiforme y la inestabilidad genómica que no están totalmente codificadas por la clasificación de Grado estándar.
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
En el mundo del cuidado del cáncer, los médicos suelen confiar en un sistema llamado Grupo de Grado de Gleason para juzgar qué tan peligroso es un tumor de próstata. Este sistema observa cómo se organizan las células cancerosas bajo un microscopio y las clasifica en categorías, desde un riesgo bajo hasta un riesgo alto. Es la herramienta estándar para decidir quién necesita tratamiento inmediato y quién puede estar seguro de observar y esperar. Sin embargo, este sistema tiene un punto ciego. Trata a todos los tumores dentro de una categoría como si fueran iguales, a pesar de que dos tumores con la misma etiqueta pueden verse muy diferentes. Uno podría tener un área pequeña y dispersa de células agresivas, mientras que otro podría estar repleto de ellas, o contener formas específicas y peligrosas que la etiqueta estándar pasa por alto. Debido a esto, algunos hombres a los que se les dice que su cáncer es de bajo riesgo podrían tener en realidad una enfermedad más agresiva y oculta que eventualmente podría ser fatal.
Un equipo de investigadores del Centro Médico Cedars-Sinai ha desarrollado una nueva forma de observar estos tumores que va más allá de las etiquetas estándar. Crearon un programa informático que examina la arquitectura real de las células cancerosas en una muestra de tejido, sin mirar nunca el desenlace médico del paciente ni saber quién sobrevivió y quién no. Al enseñar a la computadora a reconocer patrones específicos de crecimiento celular peligroso, generaron una puntuación que mide la carga de estos malos patrones. Cuando probaron esta puntuación en miles de hombres que se habían sometido a cirugía por cáncer de próstata, descubrieron que podía predecir quién moriría a causa de la enfermedad décadas después. Crucialmente, la puntuación estaba vinculada únicamente a las muertes por cáncer de próstata, no a otras causas de muerte, lo que sugiere que está midiendo algo específico del propio tumor.
Los investigadores comenzaron entrenando su modelo informático con un conjunto de imágenes de biopsias donde expertos humanos ya habían marcado los diferentes tipos de patrones de cáncer. Enseñaron al sistema a identificar cuatro cosas específicas: tejido normal, un patrón de bajo riesgo, un patrón de alto riesgo y una forma particularmente agresiva conocida como crecimiento cribiforme, que se asemeja a un tamiz o un panal de abejas. El sistema aprendió a detectar estas características en diminutos azulejos de la imagen. Una vez entrenado, los investigadores bloquearon el conocimiento de la computadora y lo aplicaron a dos grandes grupos de pacientes a los que ya se les había extirpado la próstata. El primer grupo provenía de un estudio de detección de cáncer a largo plazo, y el segundo de una colección nacional de datos de cáncer. Los investigadores no le dijeron a la computadora sobre los tiempos de supervivencia de los pacientes durante este proceso; simplemente dejaron que la computadora puntuara el tejido basándose en cuánta de la arquitectura peligrosa veía.
Los resultados fueron sorprendentes. En el gran estudio de detección, que siguió a hombres durante un promedio de más de veintidós años, la puntuación separó claramente a aquellos que morirían de cáncer de próstata de aquellos que no lo harían. Por cada paso ascendente en la puntuación, el riesgo de morir por cáncer de próstata aumentaba significamente. Los hombres con las puntuaciones más altas tenían una probabilidad mucho mayor de morir por la enfermedad en comparación con aquellos con puntuaciones bajas. Es importante destacar que la puntuación no predijo la muerte por otras causas, como enfermedades cardíacas u otros cánceres. Esta especificidad sugiere que la puntuación está midciendo realmente la amenaza del propio tumor de próstata, en lugar de reflejar simplemente la fragilidad general o la edad del paciente. Incluso cuando los investigadores ajustaron el grado de Gleason estándar y otros factores clínicos como la edad y el tamaño del tumor, la puntuación seguía proporcionando información valiosa, identificando un riesgo que el sistema estándar pasaba por alto.
El estudio también reveló que esta nueva puntuación no es solo una repetición del antiguo sistema de clasificación. Si bien está relacionada con el grado estándar, captura detalles que el sistema estándar ignora. Por ejemplo, dentro del grupo de hombres a los que se les dijo que tenían un cáncer de bajo riesgo según su biopsia, la puntuación identificó un subgrupo con un riesgo de muerte a largo plazo mucho mayor por la enfermedad. En este grupo de bajo riesgo, aquellos con las puntuaciones más altas tenían un riesgo de muerte por cáncer de próstata a veinte años de más del cuatro por ciento, mientras que aquellos con las puntuaciones más bajas tenían un riesgo de menos del uno por ciento. Este hallazgo sugiere que la computadora está detectando características agresivas ocultas en el tejido que un patólogo humano podría pasar por alto al asignar un grado estándar. La puntuación también fue capaz de desglosar el riesgo en sus componentes, mostrando que tanto la cantidad de tejido de alto grado como la presencia del patrón cribiforme con forma de tamiz contribuían de manera independiente al peligro.
Para entender qué estaba sucediendo biológicamente, los investigadores analizaron la actividad genética en los tumores. Encontraron que los tumores con puntuaciones altas estaban impulsados por genes asociados con la división celular rápida y la inestabilidad genética, que son sellos distintivos de un cáncer agresivo. La puntuación también fue robusta, lo que significa que funcionó bien incluso cuando los investigadores la probaron con diferentes tipos de herramientas de visión computacional, siempre y cuando esas herramientas fueran entrenadas con imágenes de patología. Sin embargo, cuando intentaron usar una herramienta de visión computacional diseñada para fotos generales en lugar de imágenes médicas, la conexión con la supervivencia desapareció. Esto confirma que la puntuación depende de un conocimiento médico específico de la estructura del tejido, no solo del reconocimiento de imágenes generales.
Los investigadores reconocen que su trabajo es un punto de partida. El estudio estuvo limitado por el número de muertes en los grupos que analizaron, lo que dificultó la determinación de algunos de los detalles más finos con absoluta certeza. También señalaron que la puntuación se derivó de un único bloque de tejido, y que estudios futuros deberán confirmar si este método funciona de manera consistente en muestras completas de próstata. A pesar de estas limitaciones, el estudio demuestra que una computadora puede aprender a ver la sutil y peligrosa arquitectura del cáncer de próstata de una manera que es independiente del sesgo humano o del conocimiento previo de los resultados de los pacientes. Al centrarse en la forma física y la disposición de las células, este nuevo enfoque ofrece una herramienta potencial para identificar a los hombres que corren un riesgo mayor de lo que sugiere su diagnóstico actual, cambiando potencialmente la forma en que los médicos deciden quién necesita tratamiento y quién puede ser monitoreado de forma segura.
¿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.