Minería de imágenes y ctDNA para mejorar la estratificación de riesgos y la predicción de resultados en NSCLC mediante la aplicación de inteligencia artificial.

Nuestra hipótesis central es que las características genéticas y derivadas de imágenes peculiares son consistentes con el estadio de la enfermedad y el resultado del paciente. Por tanto, son biomarcadores de carga de enfermedad y recaída, que pueden evaluarse de forma no invasiva. La combinación, a través de métodos de inteligencia artificial, de datos provenientes de imágenes médicas y ADN tumoral libre de células circulantes (ctDNA) puede proporcionar una estadificación y una predicción de resultados precisas. Esta hipótesis se ha formulado basándose en la evidencia de que las imágenes médicas pueden proporcionar datos significativos que reflejan las características del tumor, capturando la heterogeneidad intrínseca del tumor, de forma no invasiva, utilizando una evaluación de todo el cuerpo y de la lesión. De hecho, en los últimos años se ha explorado el análisis avanzado de imágenes médicas mediante radiómica, aprendizaje automático o, en combinación, minería de imágenes. Se han probado biomarcadores derivados de imágenes, mediante extracción de características de textura y aplicación de redes neuronales convolucionales, para proporcionar información de "fenotipo" (maligno frente a benigno, identificación de histotipo y estadificación T o N). Además, se han demostrado correlaciones entre las características cuantitativas derivadas de imágenes con los patrones de expresión de genes tisulares, vinculando los fenotipos de imágenes con el genotipo, como también se demuestra en nuestros datos preliminares. En segundo lugar, se ha propuesto un enfoque de extracción de imágenes para proporcionar información de pronóstico en la evaluación inicial, como también se muestra en nuestro trabajo anterior. Aún así, se han publicado pocos estudios prospectivos con un enfoque metodológico sólido. Por otro lado, el análisis del ADN tumoral libre de células circulantes (ctADN) aislado del plasma de pacientes con cáncer de pulmón se ha propuesto como método alternativo para evaluar la enfermedad en las diferentes fases. En particular, en el momento del diagnóstico, la detección posquirúrgica de enfermedad residual, la identificación de mutaciones en el entorno metastásico para guiar el tratamiento y monitorear la respuesta al tratamiento. Incluso si se ha detectado ctDNA en pacientes con todas las etapas de NSCLC, con niveles que aumentan con el estadio y la carga tumoral, la información del ctDNA aún no se ha explorado con fines de estadificación. La posibilidad de detectar un tumor en la fase temprana de su desarrollo o en su recurrencia tiene que afrontar el problema de la baja cantidad de cfDNA en pacientes con una carga de enfermedad mínima. Además, la presencia de un fondo de ctDNA parafisiológico, especialmente en personas de edad avanzada, afecta la especificidad. En este sentido, los investigadores esperan que la combinación de diferentes biomarcadores permita resolver este problema. Los análisis de inteligencia artificial se describen cada vez más en aplicaciones sanitarias. En los últimos años se han aplicado métodos de aprendizaje automático supervisados, semisupervisados ​​y no supervisados ​​para analizar datos genómicos, proteómicos, clínicos y características radiográficas. Los métodos de aprendizaje profundo ofrecen oportunidades para un análisis integral de datos multidimensionales para mejorar la predicción del pronóstico. El fundamento del proyecto propuesto es que, una vez que se sepa qué características de imagen e información derivada del ctDNA están relacionadas con el estadio del tumor y el riesgo posoperatorio de recaída, el algoritmo desarrollado será un enfoque eficaz e innovador tanto para la estadificación como para el seguimiento. -up de pacientes afectados por cáncer de pulmón, con implicaciones en la toma de decisiones en la práctica clínica.