Inteligencia artificial biomédica · global
Extraer pistas moleculares de los cortes histológicos: PathLUPI se evalúa en más de diez mil casos de cáncer
Con datos de expresión génica durante el entrenamiento y solo imágenes histológicas al realizar predicciones, PathLUPI intenta acortar la distancia entre la morfología de los tejidos y las características moleculares del cáncer. Los resultados entre cohortes muestran potencial, pero determinar si puede mejorar las decisiones clínicas requiere estudios prospectivos.
Un corte histológico de un cáncer permite observar la forma y la disposición de las células, pero no necesariamente revela de manera directa las características moleculares que influyen en las decisiones terapéuticas. Identificar antes estas pistas en imágenes obtenidas de forma rutinaria podría ayudar a organizar las pruebas posteriores. El estudio de PathLUPI, publicado el 2 de noviembre en *Nature Communications*, propone un método en esa dirección: permitir que el modelo acceda a información transcriptómica durante el aprendizaje y utilice únicamente imágenes de cortes histológicos al realizar predicciones.
El transcriptoma registra el estado de la expresión génica. Durante el entrenamiento, PathLUPI utiliza conjuntamente imágenes de tejido y datos transcriptómicos emparejados para orientar al modelo en el aprendizaje de representaciones de imagen relacionadas con las características moleculares. Según la documentación oficial del código, una vez entrenado, el modelo recibe datos obtenidos mediante la extracción de características de imágenes de portaobjetos completos, sin necesidad de introducir información transcriptómica para cada caso que se vaya a evaluar; este es un elemento clave de su intento de integrarse en el flujo de trabajo habitual de anatomía patológica.
La evaluación de la versión publicada abarcó 20 cohortes y 11,361 casos, con un total de 49 tareas de oncología molecular. En 18 tareas de biomarcadores y clasificación molecular, el AUROC alcanzó o superó 0.80. El AUROC mide la capacidad del modelo para distinguir entre categorías; no puede interpretarse directamente como «acertar en el 80 % de los casos», ni significa que todas las tareas evaluadas alcanzaran el mismo nivel. Los objetivos de predicción enumerados en los recursos públicos del modelo incluyen mutaciones de EGFR en el adenocarcinoma de pulmón, el estado de los receptores en el cáncer de mama y mutaciones de IDH1 en gliomas, entre otros, y muestran las pistas moleculares concretas que se pretende identificar a partir de la morfología.
Estas cifras también deben distinguirse de las de la versión inicial. La prepublicación del mismo estudio, difundida en junio de 2025, recogía 11,257 casos y 14 tareas con un AUC de al menos 0.80; en la versión publicada, las cifras son 11,361 casos y 18 tareas, respectivamente. Aunque ambas versiones enumeran 49 tareas y 20 cohortes, sus resultados no deben mezclarse, ni puede determinarse la causa de los cambios en las cifras únicamente a partir de las diferencias entre los resúmenes.
El equipo también proporciona en GitHub el código, las instrucciones de entrenamiento, las etiquetas organizadas y las particiones para la validación cruzada de cinco pliegues. Además, ha publicado en Hugging Face 185 archivos de pesos de modelos, que abarcan los modelos de cinco pliegues de 24 tareas de biomarcadores y predicción molecular y 13 tareas de pronóstico de supervivencia. Estos recursos ofrecen a otros investigadores la oportunidad de reproducir y examinar el método; sin embargo, los archivos de pesos no incluyen métricas de validación ni metadatos de entrenamiento, por lo que descargar los modelos no equivale a haber realizado una validación independiente de su rendimiento.
Para pasar de una herramienta de investigación al uso clínico, aún deben responderse varias preguntas: ¿cómo afectarán al rendimiento las diferencias en la preparación y el escaneo de los cortes entre hospitales? ¿Qué umbrales de interpretación deben establecerse en poblaciones reales de pacientes para gestionar adecuadamente los falsos negativos y los falsos positivos? Los resultados actuales aún no han demostrado un beneficio clínico prospectivo y tampoco bastan para respaldar la sustitución de las pruebas moleculares por predicciones basadas en imágenes. PathLUPI ofrece una vía para incorporar información molecular al aprendizaje a partir de imágenes; determinar si puede ayudar a los equipos médicos a organizar las pruebas con mayor eficacia y, con ello, mejorar la atención todavía requiere validación mediante estudios en los flujos de trabajo reales.