Mapa espacial de una sección de tejido de cáncer colorrectal producido por el algoritmo IDARS, mapeando una medida indirecta de inestabilidad (rojo) o estabilidad (verde) para microsatélites de ADN en el tumor. Las regiones de tejido sin ninguna superposición no son tumorales. Los casos de cáncer de colon con alta inestabilidad de microsatélites generalmente tienen más probabilidades de responder a costosos tratamientos de inmunoterapia. Crédito: Universidad de Warwick
Un nuevo algoritmo de aprendizaje profundo creado por investigadores de la Universidad de Warwick puede detectar las vías moleculares y el desarrollo de mutaciones clave que causan el cáncer colorrectal con mayor precisión que los métodos existentes, lo que significa que los pacientes podrían beneficiarse de terapias dirigidas con mayor rapidez. tiempos de entrega y a un menor costo.
Para tratar el cáncer colorrectal de forma rápida y eficaz, se debe determinar el estado de las vías moleculares implicadas en el desarrollo y las mutaciones clave del cáncer. Los métodos actuales para hacerlo implican pruebas genéticas costosas, que pueden ser un proceso lento.
Sin embargo, los investigadores del Departamento de Ciencias de la Computación de la Universidad de Warwick han estado explorando cómo se puede usar el aprendizaje automático para predecir el estado de tres vías moleculares principales del cáncer colorrectal y tumores hipermutados. Una característica clave del método es que no requiere anotaciones manuales en imágenes digitalizadas de los portaobjetos de tejido canceroso.
En el documento, «Un marco de aprendizaje profundo supervisado débilmente para predecir el estado de las vías moleculares y mutaciones clave en el cáncer colorrectal a partir de imágenes histológicas de rutina», publicado hoy, 19 de octubre, en la revista The Lancet Digital Health, investigadores de la Universidad de Warwick han explorado cómo el aprendizaje automático puede detectar tres mutaciones clave a partir de imágenes de diapositivas completas de cáncer colorrectal. portaobjetos teñidos con hematoxilina y eosina, como una alternativa a los regímenes de prueba actuales para estas vías y mutaciones.
Los investigadores proponen un novedoso algoritmo iterativo de muestreo de sorteo y clasificación, que puede seleccionar subimágenes o mosaicos representativos de una imagen de diapositiva completa sin necesidad de anotaciones detalladas a nivel celular o regional por parte de un patólogo. Esencialmente, el nuevo algoritmo puede aprovechar el poder de los datos de píxeles sin procesar para predecir mutaciones clínicamente importantes y vías para el cáncer de colon, sin intercepción humana.
El muestreo iterativo por sorteo y clasificación funciona al entrenar una red neuronal convolucional profunda para identificar las regiones de imagen más predictivas de los parámetros moleculares clave en los cánceres colorrectales. Una característica clave del muestreo iterativo de sorteo y clasificación es que permite un análisis sistemático y basado en datos de la composición celular de los mosaicos de imágenes que predice fuertemente las vías moleculares colorrectales.
La precisión del muestreo iterativo de sorteo y clasificación Los investigadores también analizaron el muestreo de rangos, y encontraron que para la predicción de las tres vías moleculares principales del cáncer colorrectal y las mutaciones clave, su algoritmo demostró ser significativamente más preciso que los métodos publicados actualmente.
Esto significa que el El nuevo algoritmo se puede usar potencialmente para estratificar a los pacientes para terapias dirigidas, a costos más bajos y tiempos de respuesta más rápidos, en comparación con la secuenciación o los enfoques basados en tinciones especiales después de la validación a gran escala.
Dr. Mohsin Bilal, primer autor del estudio y científico de datos en el Centro de análisis de imágenes de tejidos (TIA) de la Universidad de Warwick, dice: «Estoy muy entusiasmado con la posibilidad de utilizar un algoritmo de muestreo iterativo de extracción y rango para detectar vías y mutaciones clave en el cáncer colorrectal y pacientes seleccionados que probablemente se beneficiarán de terapias dirigidas a un costo más bajo con tiempos de respuesta más rápidos. También esperamos con ansias el próximo paso vital de validar nuestro algoritmo en grandes cohortes multicéntricas».
El profesor Nasir Rajpoot, director del Centro TIA en Warwick y autor principal del estudio, comenta: «Este estudio demuestra cómo los algoritmos inteligentes pueden aprovechar el poder de los datos de píxeles sin procesar para predecir mutaciones clínicamente importantes y vías para el cáncer de colon. A La principal ventaja de nuestro algoritmo de muestreo iterativo de dibujar y clasificar es que no requiere anotaciones laboriosas y que consumen mucho tiempo por parte de patólogos expertos. «Estos hallazgos abren la posibilidad de po uso potencial del muestreo iterativo de sorteo y clasificación para seleccionar pacientes que probablemente se beneficiarán de las terapias dirigidas y hacerlo a costos más bajos y con tiempos de respuesta más rápidos en comparación con la secuenciación o los enfoques basados en marcadores especiales.
«Lo haremos ahora busque realizar una gran validación multicéntrica de este algoritmo para allanar el camino para su adopción clínica».
Explore más
Uso del aprendizaje automático para encontrar mutaciones en secuencias genómicas similares de muestras de cáncer Más información: Un marco de aprendizaje profundo poco supervisado para predecir el estado de las vías moleculares y las mutaciones clave en cáncer colorrectal a partir de imágenes de histología de rutina, The Lancet Digital Health, DOI: 10.1016/S2589-7500(21)00180-1 Proporcionado por la Universidad de Warwick Cita: El nuevo algoritmo de aprendizaje profundo puede detectar mutaciones genéticas en cáncer colorrectal cánceres más eficientemente (2021, 19 de octubre) recuperado el 29 de agosto de 2022 de https://medicalxpress.com/news/2021-10-deep-algorithm-genetic-mutations-colorrectal.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.