Mejorando las Predicciones del Cáncer de Mama con Tintas Combinadas
Combinar las tinciones H&E e IHC lleva a mejores predicciones sobre los resultados del cáncer de mama.
Abhinav Sharma, Fredrik K. Gustafsson, Johan Hartman, Mattias Rantalainen
― 7 minilectura
Tabla de contenidos
- El papel de la tecnología en el diagnóstico del cáncer de mama
- Combinando diferentes tinciones para mejores predicciones
- El diseño del estudio
- Preparando las imágenes
- Cómo funciona el modelo
- Evaluando el rendimiento del modelo
- Variables clínicas y su impacto
- Pesos de atención y su significado
- ¿Qué encontraron?
- El futuro del diagnóstico del cáncer de mama
- Fuente original
El cáncer de mama es un gran problema de salud que afecta a mucha gente en todo el mundo. Para diagnosticarlo, los médicos usan muestras de tejido mamario llamadas especímenes de histopatología. Estas muestras se examinan con varias técnicas de tinción. La más común es Hematoxilina y Eosina (H&E), que muestra la estructura general de las células. También hay marcadores especiales que se usan, conocidos como tinciones Inmunohistoquímicas (IHC), que ayudan a identificar proteínas específicas en las células.
Los médicos miran estas muestras teñidas para clasificar el cáncer, lo que puede ayudar a predecir cómo podría responder un paciente al tratamiento. Evalúan características como el estado del Receptor de Estrógeno (ER) y del Receptor de Progesterona (PR), junto con los niveles de HER2 y Ki-67, para tener una idea más clara del comportamiento del cáncer.
El papel de la tecnología en el diagnóstico del cáncer de mama
Recientemente, el mundo de la medicina ha visto cambios emocionantes con la introducción de la tecnología digital. La digitalización de la patología permite obtener imágenes de alta calidad llamadas imágenes de diapositivas enteras (WSI). Con estas imágenes, modelos de aprendizaje profundo pueden analizar las muestras y ayudar a los médicos a tomar decisiones sobre el tratamiento. ¡Puede sonar a ciencia ficción, pero ya está pasando!
Estos modelos se han usado para predecir varios factores relacionados con las respuestas al tratamiento y los riesgos para los pacientes, allanando el camino para una atención más personalizada. Sin embargo, la mayoría de los estudios solo han mirado imágenes H&E.
Combinando diferentes tinciones para mejores predicciones
Aunque las tinciones H&E han sido las más usadas durante más de cien años, es importante señalar que las tinciones IHC pueden proporcionar información valiosa también. Cada tinción aporta perspectivas únicas sobre el cáncer, y juntas pueden dar una vista más completa. Imagina un rompecabezas donde cada pieza revela parte de la imagen; así es como funciona combinar estas tinciones.
Los investigadores se han preguntado si usar múltiples tinciones podría llevar a mejores predicciones de los resultados de los pacientes en comparación con confiar solo en tinciones H&E. Así que decidieron echar un vistazo más de cerca.
El diseño del estudio
En un nuevo estudio, los investigadores querían probar qué tan bien un modelo que usa imágenes H&E e IHC podría predecir los resultados de los pacientes. Se centraron en pacientes tratados por cáncer de mama invasivo en un hospital en Estocolmo, Suecia. Recopilaron un conjunto de datos de 945 pacientes que tenían información completa sobre sus especímenes de histopatología y diversas características clínicas.
Para asegurar una prueba justa, los datos se organizaron cuidadosamente. Esto involucró dividir a los pacientes en diferentes grupos para optimizar los modelos de predicción y revisar qué tan bien funcionaban.
Preparando las imágenes
Antes de comenzar con el análisis, los investigadores necesitaban preparar las imágenes. Esto incluía eliminar cualquier fondo no deseado y dividir las WSI en piezas más pequeñas. Piensa en ello como cortar una pizza gigante en porciones manejables. Si alguna porción se veía borrosa, se descartaba, asegurando que solo se analizaran imágenes claras.
Luego, cada imagen IHC se alineó con la correspondiente imagen H&E. Este proceso es como encajar piezas de un rompecabezas, asegurando que todos los detalles coincidieran perfectamente.
Cómo funciona el modelo
Una vez que todo estuvo listo, los investigadores usaron dos modelos para extraer características de los tiles: UNI y CONCH. Estos modelos se han entrenado usando una gran cantidad de imágenes de patología. Funcionan como detectives muy conocedores, detectando patrones y detalles en las imágenes.
Los tiles de cada tinción se combinaron para crear un conjunto de características completo. Este conjunto se usó para desarrollar un modelo de Aprendizaje de Múltiples Instancias (MIL) que podría predecir el puntaje de riesgo para cada paciente. Esto significa que los investigadores podrían estimar la probabilidad de que un paciente experimentara una recurrencia del cáncer o necesitara tratamiento adicional.
Evaluando el rendimiento del modelo
Para evaluar qué tan bien funcionó su modelo, los investigadores calcularon un métrico llamado índice de concordancia (C-index). Este número nos dice cuán precisamente el modelo puede predecir los resultados de los pacientes en comparación con los resultados reales.
Los resultados mostraron que el modelo que usaba solo las imágenes H&E tenía un C-index de 0.65. No está nada mal, ¿verdad? Pero al combinar H&E con imágenes IHC, el C-index fue aún mejor, alcanzando hasta 0.72.
¿Qué implica esto? Sugiere que usar ambos tipos de imágenes juntos ofrece una predicción más precisa que usarlas por separado.
Variables clínicas y su impacto
Para ver si añadir variables clínicas podría mejorar las predicciones, los investigadores también miraron factores como la edad y el tamaño del tumor. Al combinarlos con el modelo de múltiples tinciones, encontraron que incluir variables clínicas hizo una pequeña diferencia en las predicciones para algunos modelos, pero no para todos.
Imagina intentar hornear un pastel: añadir solo la cantidad correcta de ingredientes puede hacerlo crecer de maravilla. Sin embargo, a veces solo necesitas la combinación correcta de cobertura para que realmente resalte.
Pesos de atención y su significado
Los investigadores querían explorar cuánto se enfocó el modelo en diferentes áreas de las imágenes de tejido. Para hacer esto, examinaron los pesos de atención asignados a los tiles. Esto es como observar hacia dónde apunta la linterna un detective al investigar una escena del crimen.
Descubrieron que las áreas de enfoque variaban significativamente. Por ejemplo, en modelos que usaban solo tinciones H&E, las áreas de alta atención mostraron superposición con los modelos que incluían tanto imágenes H&E como IHC. Esto sugiere que ciertas características de ambas tinciones proporcionan información valiosa que puede mejorar las predicciones.
¿Qué encontraron?
El estudio concluyó que usar una combinación de tinciones H&E normales y marcadores IHC de rutina mejoró la capacidad de predecir los resultados de los pacientes con cáncer de mama. Los resultados indican que una mezcla de estas tinciones captura información más relevante, lo que lleva a mejores evaluaciones de riesgo.
Aunque los hallazgos son prometedores, es importante señalar que los investigadores enfatizaron la necesidad de más investigación. Probar estos modelos en poblaciones más grandes y con tiempos de seguimiento más prolongados ayudaría a confirmar sus resultados.
El futuro del diagnóstico del cáncer de mama
Entonces, ¿qué sigue? Los investigadores pretenden validar sus hallazgos con datos adicionales para asegurarse de que sus modelos de múltiples tinciones sean confiables. También desean explorar técnicas de modelado más complejas para analizar cómo interactúan entre sí diferentes tinciones.
A medida que la tecnología sigue avanzando, la esperanza es proporcionar a los pacientes con cáncer de mama herramientas aún mejores para el diagnóstico y la evaluación del riesgo, llevando a opciones de tratamiento personalizadas.
En resumen, la combinación de diferentes tinciones puede ayudar a los médicos a hacer mejores predicciones sobre el cáncer de mama. Es un paso hacia planes de tratamiento más completos e informados que pueden ayudar a mejorar los resultados para los pacientes.
¡Brindemos por el futuro de los diagnósticos del cáncer de mama-donde la tecnología se encuentra con el pensamiento innovador, y quizás también un toque de humor! Porque si podemos mezclar ciencia con un poco de risa, tal vez encontremos una manera de hacer que el camino por delante sea un poco más suave.
Título: Multi-stain modelling of histopathology slides for breast cancer prognosis prediction
Resumen: BackgroundPathologic assessment of the established biomarkers using standard hematoxylin & eosin (H&E) and immunohistochemical (IHC) stained whole slide images (WSIs) is central in routine breast cancer diagnostics and contributes prognostic and predictive information that guides clinical decision-making. However, other than only aggregated protein-expression values from IHC WSIs, a spatial combination of histo-morphological information from IHC and H&E WSIs can potentially improve prognosis prediction in breast cancer patients. In this study, we aim to develop a deep learning-based risk-stratification method for breast cancer using routine H&E and IHC-stained histopathology WSIs from resected tumours. MethodsThis is a retrospective study including WSIs from surgical resected specimens from 945 patients from the South General Hospital in Stockholm. One H&E and four IHC (ER, PR, HER2, and Ki-67) stained sections were included from each patient, retrieved from the same tumour block. The IHC WSIs with the H&E WSI were registered, and corresponding images patches (tiles) were extracted for each image modality. Features from the registered tiles were extracted using two existing and publicly available histopathology foundation models (UNI and CONCH). Using the extracted features together with time-to-event data, we optimised an attention-based multiple instance learning (MIL) model using the Cox loss (negative partial log-likelihood loss) and recurrence-free survival (RFS) as the survival endpoint. ResultsUsing cross-validation we observed a prognostic performance with a C-index of 0.65 (95%CI: 0.56 - 0.72) for the risk score prediction using only H&E WSIs and UNI as the tile-level feature extractor. Combinations of H&E with one or more IHC modalities were subsequently evaluated, with the highest performance observed in the model combining the H&E and PR WSI data and the model combining all the stains, obtaining a C-index of 0.72 (95% CI: 0.65 - 0.79) and 0.72 (95% CI: 0.64 - 0.79) respectively. ConclusionMultiple stain modalities are used in routine breast cancer pathology, but has not been considered together for prognostic modelling. The results in this study suggests that models combining morphological features extracted by histopathology foundation models across multiple stain modalities can improve prognostic risk-stratification performance compared to single-modality models.
Autores: Abhinav Sharma, Fredrik K. Gustafsson, Johan Hartman, Mattias Rantalainen
Última actualización: 2024-11-18 00:00:00
Idioma: English
Fuente URL: https://www.medrxiv.org/content/10.1101/2024.11.10.24317066
Fuente PDF: https://www.medrxiv.org/content/10.1101/2024.11.10.24317066.full.pdf
Licencia: https://creativecommons.org/licenses/by-nc/4.0/
Cambios: Este resumen se ha elaborado con la ayuda de AI y puede contener imprecisiones. Para obtener información precisa, consulte los documentos originales enlazados aquí.
Gracias a medrxiv por el uso de su interoperabilidad de acceso abierto.