IA predice con precisión respuesta de inhibidores de puntos de control inmunitario y tumor MSI

Se espera que una de cada tres personas desarrolle cáncer a lo largo de su vida, y un factor clave en el pronóstico del paciente es el estado microsatélite del tumor: si es estable o presenta inestabilidad microsatélite alta (MSI-H). Los tumores MSI-H se asocian con mejores pronósticos y responden mejor a los inhibidores de puntos de control inmunitario (ICI) en comparación con los cánceres con estabilidad microsatélite. Estos tumores, a menudo deficientes en proteínas reparadoras de desajustes, no necesariamente responden bien a los tratamientos quimioterapéuticos tradicionales. Por ello, los expertos recomiendan la prueba de MSI para todos los pacientes con diagnóstico reciente de cáncer gástrico y colorrectal. Si bien se ha explorado la inteligencia artificial (IA) para optimizar las pruebas de MSI, los modelos de aprendizaje profundo anteriores han tenido dificultades con la incertidumbre en la predicción y no han logrado proporcionar información sobre la respuesta a los ICI. Ahora, se espera que un nuevo modelo de IA para la predicción precisa de MSI, así como para la predicción de la respuesta a los inhibidores de puntos de control inmunitario, contribuya a la lucha contra los cánceres gástrico y colorrectal y a la investigación oncológica en general.

Un equipo de investigadores de EUA y Corea, incluyendo la Facultad de Medicina de la Universidad de Yonsei (Seúl, Corea del Sur) y el Hospital Gangnam Severance (Seúl, Corea del Sur), ha desarrollado MSI-SEER, un modelo bayesiano basado en un proceso gaussiano profundo. Este modelo de IA analiza imágenes de portaobjetos completos teñidas con hematoxilina y eosina mediante un marco de aprendizaje débilmente supervisado para predecir el estado de MSI en cánceres gástricos y colorrectales. Una característica destacada de MSI-SEER es su capacidad para evaluar su propia confianza predictiva mediante la deserción de Monte Carlo para calcular la varianza predictiva. Esta se convierte posteriormente en una Puntuación de Confianza Bayesiana (PCB), lo que permite al modelo cuantificar la fiabilidad de cada predicción. Cuando la incertidumbre es alta, el sistema marca automáticamente esos casos para su revisión manual por patólogos humanos en lugar de tomar una decisión autónoma. Además de la predicción de MSI, el modelo también incorpora datos de la relación estroma-tumor para mejorar la precisión en la predicción de la respuesta del paciente a los ICI.

Además, las predicciones a nivel de mosaico de MSI-SEER revelan la distribución espacial de las regiones MSI-H dentro del microambiente tumoral, lo que ofrece información valiosa sobre la respuesta al tratamiento. El modelo se validó ampliamente utilizando grandes conjuntos de datos que incluían pacientes de diversos orígenes raciales. Los hallazgos, publicados en npj Digital Medicine, mostraron que MSI-SEER logró un rendimiento de vanguardia en la predicción de MSI al integrar la estimación de la incertidumbre. El sistema también demostró ser muy eficaz para pronosticar la capacidad de respuesta de ICI. Estos resultados sugieren un fuerte potencial para aplicaciones en el mundo real, como en la vigilancia prospectiva de cohortes o como parte de ensayos clínicos posteriores a la comercialización (Fase IV). Más allá de su poder predictivo inmediato, la innovación apunta hacia un futuro más amplio en el que la IA puede analizar datos clínicos multimodales para respaldar la oncología de precisión. Los investigadores tienen como objetivo refinar aún más el modelo y explorar un despliegue clínico más amplio.

“Creemos que nuestra tecnología ya tiene potencial para su aplicación en el mundo real como forma de vigilancia prospectiva de cohortes o como una especie de ensayos clínicos de fase IV”, afirmó el profesor Jae-Ho Cheong, de la Facultad de Medicina de la Universidad de Yonsei. “La implicación a largo plazo de este estudio es que no se trata de un único modelo predictivo de IA específico. Más bien, tiene una implicación más amplia sobre cómo los algoritmos de IA pueden analizar datos clínicos multimodales y crear modelos clínicamente utilizables para la medicina oncológica de precisión”.

Enlaces relacionados:
Facultad de Medicina de la Universidad de Yonsei