Diagrama de flujo del dise\u00f1o del estudio. Se entrenaron redes neuronales convolucionales profundas en puntos de micromatriz de tejido te\u00f1idos con hematoxilina y eosina de una serie nacional de c\u00e1ncer de mama (FinProg) para predecir el estado de amplificaci\u00f3n del gen ERBB2 del tumor primario. Las redes se entrenaron utilizando un enfoque de aprendizaje de transferencia con pesos preentrenados de ImageNet, y solo las capas m\u00e1s profundas (coloreadas en amarillo) se ajustaron minimizando la p\u00e9rdida focal, supervisadas d\u00e9bilmente por el estado de amplificaci\u00f3n del gen ERBB2 de la verdad del terreno seg\u00fan lo determinado por hibridaci\u00f3n cromog\u00e9nica in situ. En la fase de prueba, las redes generan probabilidades de amplificaci\u00f3n de ERBB2 (la puntuaci\u00f3n H&E-ERBB2). La precisi\u00f3n de la clasificaci\u00f3n se resumi\u00f3 con la caracter\u00edstica operativa del receptor y las curvas de recuperaci\u00f3n de precisi\u00f3n. Adem\u00e1s, aplicamos gr\u00e1ficos de KaplanMeier y an\u00e1lisis de regresi\u00f3n de Cox para correlacionar las puntuaciones de H&E-ERBB2 con los datos de resultados del tratamiento del paciente. Cr\u00e9dito: Informes cient\u00edficos volumen 11, N\u00famero de art\u00edculo: 4037 (2021) <\/p>\n
Investigadores de la Universidad de Helsinki han demostrado las posibilidades de los algoritmos basados en inteligencia artificial para predecir la eficacia de una terapia dirigida contra el c\u00e1ncer basada \u00fanicamente en la arquitectura del tejido tumoral. sin pruebas moleculares espec\u00edficas. Los resultados sugieren que la IA puede revelar patrones previamente ocultos en muestras de tumores y permitir el descubrimiento de caracter\u00edsticas tumorales novedosas que predicen el resultado y la eficacia del tratamiento. <\/p>\n
La inteligencia artificial (IA) en forma de aprendizaje autom\u00e1tico se usa cada vez m\u00e1s en la investigaci\u00f3n del c\u00e1ncer y tiene un gran potencial para respaldar los diagn\u00f3sticos m\u00e9dicos. Los algoritmos ya han sido entrenados para abordar muchas tareas complicadas, como la detecci\u00f3n de tejido canceroso y la clasificaci\u00f3n de tumores. Adem\u00e1s, la predicci\u00f3n del resultado de la enfermedad directamente a partir de una muestra tumoral sin interpretaci\u00f3n experta ha mostrado resultados prometedores.<\/p>\n
En el estudio publicado en Scientific Reports el 17 de febrero, un equipo dirigido por el profesor Johan Lundin pretend\u00eda impulsar las capacidades de estos enfoques a\u00fan m\u00e1s.<\/p>\n
Los investigadores se centraron en desarrollar una herramienta que pudiera detectar las caracter\u00edsticas morfol\u00f3gicas del tumor t\u00edpicas del c\u00e1ncer de mama positivo para ERBB2. ERBB2 (tambi\u00e9n llamado con frecuencia HER2) es una oncoprote\u00edna bien conocida que promueve el crecimiento de c\u00e9lulas cancerosas. Aproximadamente una de cada cinco pacientes con c\u00e1ncer de mama tiene copias adicionales del gen ERBB2 y sus tumores sobreexpresan la prote\u00edna ERBB2. Estos pacientes pueden beneficiarse de la terapia con anticuerpos monoclonales contra el receptor ERBB2 (HER2).<\/p>\n
Los resultados del estudio mostraron que el algoritmo de IA pudo aprender patrones predictivos del estado de ERBB2 de un tumor directamente de la morfolog\u00eda del tumor en una serie nacional de pacientes con c\u00e1ncer de mama (el estudio FinProg), sin el uso de ensayos moleculares espec\u00edficos.<\/p>\n
\u00abNuestros resultados muestran que las caracter\u00edsticas morfol\u00f3gicas de los tumores contienen una gran informaci\u00f3n sobre la biolog\u00eda del enfermedad que se puede extraer con m\u00e9todos de aprendizaje autom\u00e1tico. Estos valiosos datos pueden ayudar en la toma de decisiones cl\u00ednicas\u00bb, dijo el primer autor del estudio, Dmitrii Bychkov del Instituto de Medicina Molecular de Finlandia FIMM, Universidad de Helsinki.<\/p>\n
Para probar a\u00fan m\u00e1s la aplicabilidad del m\u00e9todo, los investigadores aplicaron el algoritmo de IA a muestras de tejido de pacientes con c\u00e1ncer de mama que hab\u00edan participado en un gran ensayo cl\u00ednico (el ensayo FinHer) sobre el tratamiento anti-ERBB2 y cuyos Se conoc\u00edan el estado y los resultados de ERBB2.<\/p>\n
Curiosamente, el algoritmo pudo discriminar a los pacientes tratados con terapia anti-ERBB2 (trastuzumab), un tratamiento dirigido para los c\u00e1nceres positivos para ERBB2, en dos grupos con pron\u00f3stico diferente. los pacientes en cuyos tumores el algoritmo de IA predijo que eran ERBB2 positivos en funci\u00f3n de la morfolog\u00eda del tumor demostraron tener un resultado de la enfermedad m\u00e1s favorable que aquellos en los que el algoritmo de IA predijo que eran ERBB2 negativos.<\/p>\n
\u00abEstos Los m\u00e9todos abren nuevas oportunidades para revelar patrones ocultos en la arquitectura del tejido que impulsan la progresi\u00f3n del tumor y pueden, en una perspectiva m\u00e1s amplia, contribuir a diagn\u00f3sticos m\u00e1s precisos y mejores decisiones de tratamiento personalizadas en el c\u00e1ncer de mama\u00bb, dice la MD, Profesora Asociada Nina Linder, quien co-supervis\u00f3 del estudio.<\/p>\n
Las observaciones del estudio tambi\u00e9n sugieren que algunos de los tumores que fueron ERBB2 negativos seg\u00fan las pruebas moleculares tienen caracter\u00edsticas morfol\u00f3gicas t\u00edpicas de los tumores ERBB2 positivos. Seg\u00fan los investigadores, estos pacientes podr\u00edan beneficiarse potencialmente de tratamientos dise\u00f1ados para pacientes con ERBB2 positivo.<\/p>\n
\u00abLos m\u00e9todos basados en IA podr\u00edan no solo complementar los m\u00e9todos de diagn\u00f3stico molecular actuales, sino que podr\u00edan ir incluso m\u00e1s all\u00e1 y conducir a una mejora selecci\u00f3n de algunos tratamientos contra el c\u00e1ncer dirigidos a los pacientes. Es posible que necesitemos dise\u00f1ar ensayos cl\u00ednicos para probar esta hip\u00f3tesis. Es importante destacar que el ensayo se puede realizar desde la secci\u00f3n est\u00e1ndar del tumor\u00bb, dice el profesor Heikki Joensuu del Centro Integral del C\u00e1ncer HUS y la Universidad de Helsinki, quien colabor\u00f3 -autor del estudio.<\/p>\n
\u00abEste es uno de los primeros estudios que muestra que la IA aplicada a muestras de tumores no solo puede predecir el resultado de la enfermedad, sino tambi\u00e9n la eficacia o un tratamiento contra el c\u00e1ncer dirigido molecularmente\u00bb, dijo Profesor Johan Lundin. <\/p>\n
Explorar m\u00e1s<\/p>\n
El equipo descubre un nuevo mecanismo de resistencia adquirida a los medicamentos contra el c\u00e1ncer de mama M\u00e1s informaci\u00f3n:<\/strong> El aprendizaje profundo identifica caracter\u00edsticas morfol\u00f3gicas en el c\u00e1ncer de mama que predicen el estado ERBB2 del c\u00e1ncer y la eficacia del tratamiento con trastuzumab. Informe cient\u00edfico 11, 4037 (2021). doi.org\/10.1038\/s41598-021-83102-6 Proporcionado por la Universidad de Helsinki Cita<\/strong>: AI predice la eficacia del tratamiento del c\u00e1ncer de mama directamente a partir de la arquitectura del tumor (2021, 18 de febrero) consultado el 30 de agosto de 2022 en https :\/\/medicalxpress.com\/news\/2021-02-ai-efficacy-breast-cancer-treatment.html Este documento est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Diagrama de flujo del dise\u00f1o del estudio. Se entrenaron redes neuronales convolucionales profundas en puntos de micromatriz de tejido te\u00f1idos con hematoxilina y eosina de una serie nacional de c\u00e1ncer de mama (FinProg) para predecir el estado de amplificaci\u00f3n del gen ERBB2 del tumor primario. Las redes se entrenaron utilizando un enfoque de aprendizaje de … Continuar leyendo \u00abLa IA predice la eficacia del tratamiento del c\u00e1ncer de mama directamente a partir de la arquitectura del tumor\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-15163","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/15163","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=15163"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/15163\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=15163"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=15163"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=15163"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}