Investigación oncológica · global
Las biopsias no solo muestran el aspecto del tumor: la IA identifica microrregiones asociadas al riesgo de recurrencia del cáncer de mama triple negativo
Un equipo de investigación superpuso mapas de calor de riesgo generados por IA a partir de cortes rutinarios de H&E con datos de proteómica espacial e identificó, dentro de un mismo tumor, regiones adyacentes con distinto riesgo y actividad molecular; el rendimiento inicial es prometedor, pero la evidencia sigue limitada a un preprint y a una validación exploratoria.
El cáncer de mama triple negativo carece de dianas terapéuticas habituales como los receptores de estrógeno y progesterona y HER2. Incluso cuando las pacientes reciben tratamientos similares, sus riesgos de recurrencia pueden ser muy diferentes. Un nuevo estudio intentó partir de los cortes teñidos con H&E que ya se preparan en los exámenes anatomopatológicos rutinarios para que la inteligencia artificial no solo predijera el riesgo, sino que también señalara qué zonas del tumor podrían albergar estados moleculares asociados con la recurrencia.
El equipo de investigación analizó cortes de 156 pacientes y entrenó un modelo para puntuar regiones locales de las imágenes y, después, integrar la distribución de las regiones con puntuaciones altas en un riesgo de recurrencia a nivel de paciente. En el conjunto de prueba independiente, tanto el AUC como el C-index del modelo fueron de 0,77; el primero mide la capacidad del modelo para distinguir grupos de riesgo, mientras que el segundo refleja la concordancia entre el orden de las predicciones y los tiempos reales hasta la recurrencia. Este resultado indica que el modelo tiene una capacidad de discriminación moderada, pero todavía no es suficiente para respaldar por sí solo decisiones clínicas.
De mayor relevancia biológica es que los mapas de calor mostraron que las regiones de alto y bajo riesgo pueden coexistir dentro de un mismo compartimento del tejido tumoral. El análisis proteómico global vinculó el alto riesgo en las imágenes con procesos como el ciclo celular y el mantenimiento del genoma, mientras que el bajo riesgo se aproximó más a la activación inmunitaria. En otras palabras, es posible que la IA no solo capte cómo están dispuestas las células tumorales, sino también los distintos entornos proliferativos e inmunitarios subyacentes a la morfología de los cortes.
Para comprobar mejor esta hipótesis, el equipo utilizó las coordenadas de los mapas de calor de la IA para aislar 46 regiones de los tumores de dos pacientes que habían presentado recurrencia y realizó un análisis de proteómica espacial mediante espectrometría de masas. Ambas pacientes mostraron un contraste similar: las regiones de alto riesgo estaban enriquecidas en procesos relacionados con la mitosis, mientras que las regiones de bajo riesgo presentaban más actividad inmunitaria y de presentación de antígenos. Este paso conectó la señal de las imágenes con mecanismos moleculares locales, pero las muestras procedían de solo dos pacientes, por lo que resulta más apropiado considerarlo una exploración mecanística que evidencia clínica aplicable de forma general.
Los investigadores también crearon, a partir de estas diferencias espaciales, un índice compuesto por 13 proteínas. En una cohorte ampliada, la versión proteica solo mostró una tendencia según la cual una puntuación más alta se asociaba con una peor supervivencia libre de recurrencia; en cambio, el índice de transcritos correspondiente permitió diferenciar la supervivencia libre de recurrencia en una cohorte independiente de METABRIC de cáncer de mama triple negativo. En otro análisis de remuestreo, al añadir el índice proteico a la puntuación de las imágenes de H&E, el C-index aumentó de 0,679 a 0,739, y también mejoró la capacidad de discriminación dependiente del tiempo a tres y cinco años.
Por ahora, quizá el valor más directo de este método no sea generar una nueva puntuación automatizada de interpretación, sino utilizar los mapas de calor de la IA como herramienta de orientación experimental: primero localizar regiones sospechosas en cortes económicos y ampliamente disponibles y, después, concentrar los costosos análisis moleculares en los lugares con mayor contenido informativo. Sin embargo, el artículo todavía no ha sido sometido a revisión por pares, la parte de proteómica espacial tiene una escala muy reducida y la asociación pronóstica del índice proteico sigue siendo preliminar. Antes de su aplicación clínica, será necesario validarlo con datos prospectivos de pacientes, en más instituciones médicas y con distintos procesos de escaneo y tinción, además de demostrar que aporta una mejora estable más allá de la información anatomopatológica y de estadificación existente.