← Volver al inicio

La expresión génica enseña a la IA a leer cortes histológicos: PathLUPI explora la predicción molecular del cáncer

Con ayuda del transcriptoma durante el entrenamiento y solo imágenes patológicas durante la predicción, PathLUPI intenta extraer pistas moleculares del cáncer a partir de la morfología tisular. Los resultados entre cohortes muestran potencial, pero también diferencias entre hospitales y marcadores.

By SURL BioNews

Los tumores que parecen similares al microscopio pueden presentar alteraciones moleculares distintas que influyen en la elección del tratamiento y la evaluación del pronóstico. Las pruebas moleculares pueden aportar esta información, pero requieren tiempo y recursos adicionales. PathLUPI, desarrollado por un equipo de la Universidad de Ciencia y Tecnología de Hong Kong, intenta que la inteligencia artificial identifique estas diferencias a partir de cortes histológicos rutinarios; según un anuncio del equipo investigador del 2 de noviembre, los resultados se han publicado en *Nature Communications*.

La clave de este método consiste en proporcionar al modelo un conjunto adicional de datos durante el aprendizaje: el transcriptoma, que refleja la actividad génica. Los investigadores emparejan imágenes de tejido y datos de expresión génica del mismo paciente para guiar al modelo en el aprendizaje de las relaciones entre la morfología y las vías moleculares, y después transfieren estas pistas a una rama del modelo que solo recibe imágenes. Una vez completado el entrenamiento, el análisis de imágenes de portaobjetos completos de nuevos pacientes ya no requiere aportar también sus transcriptomas.

Según las cifras oficiales del estudio recogidas en el anuncio, la evaluación abarcó 20 cohortes, 11,361 pacientes y 49 tareas de oncología molecular; en 18 tareas de biomarcadores o clasificación en subtipos moleculares, el área bajo la curva (AUC) alcanzó al menos 0.80. El AUC mide la capacidad del modelo para distinguir entre diferentes estados; no puede interpretarse directamente como que el modelo acierta en el 80 % de los pacientes, ni permite concluir que ya sea suficiente para orientar la selección de medicamentos.

Las pruebas entre cohortes muestran especialmente que los resultados dependen de lo que se pretenda predecir. El AUC de la predicción de mutaciones de BRAF en cáncer colorrectal descendió de 0.840 en las pruebas internas a 0.655 en las externas; en cambio, la predicción de mutaciones de IDH1 en gliomas alcanzó 0.992 y 0.920, respectivamente. Estas diferencias recuerdan que un rendimiento destacado en una tarea no garantiza que el modelo siga siendo fiable al cambiar de tipo de cáncer, marcador u origen de las muestras.

También es necesario distinguir entre las versiones de los datos. El preprint de arXiv publicado por Cheng Jin y sus colaboradores en junio de 2025 también evaluó 49 tareas y 20 cohortes, pero recogía 11,257 casos y 14 tareas con un AUC de al menos 0.80. Este artículo utiliza las cifras del anuncio más reciente del equipo investigador; el preprint anterior puede respaldar el método y el contexto de la investigación, pero las estadísticas de ambas versiones no deben mezclarse.

El repositorio oficial proporciona los pesos del modelo y las instrucciones para realizar inferencias, y distingue claramente las condiciones de entrenamiento y uso: el entrenamiento requiere características patológicas emparejadas con transcriptomas, mientras que la inferencia no necesita transcriptomas ni archivos de datos de vías moleculares. Esto ofrece a otros investigadores la posibilidad de reproducir y examinar los resultados, pero publicar el código y el modelo sigue sin equivaler a haber completado la validación de su rendimiento clínico.

La posibilidad práctica que plantea PathLUPI es buscar más información molecular en las imágenes patológicas ya disponibles, lo que en el futuro podría ayudar a planificar pruebas posteriores. Sin embargo, todavía no se ha demostrado que pueda mejorar las decisiones o los resultados de los pacientes en procesos clínicos prospectivos. Para llegar a la consulta, aún será necesario determinar qué niveles de falsos negativos y falsos positivos son aceptables para cada uso, así como si el modelo puede mantener un rendimiento suficientemente estable en distintos hospitales.

References

  1. Hong Kong University of Science and Technology, Smart Lab
  2. arXiv
  3. ChengJin-git / GitHub