Desarrollo e interpretación de un modelo basado en la patómica para la predicción de la respuesta a la inmunoterapia en el cáncer colorrectal.

El cáncer colorrectal (CCR) es el tercer cáncer más común y la segunda causa principal de muerte relacionada con el cáncer en todo el mundo, con una tasa de supervivencia a 5 años inferior al 20 %. La inmunoterapia, en particular las terapias basadas en el bloqueo de puntos de control inmunitarios (ICB), se ha convertido en un enfoque importante para el tratamiento del CCR.

Sin embargo, solo subgrupos específicos de pacientes muestran beneficios clínicos significativos. Aunque el algoritmo TIDE puede predecir las respuestas a la inmunoterapia, la dependencia de los datos de secuenciación del transcriptoma limita su aplicabilidad clínica. Los avances recientes en inteligencia artificial y patología computacional ofrecen nuevas vías para el análisis de imágenes médicas. En este estudio, clasificamos las muestras de TCGA-CCR en grupos de pacientes que responden y no responden a la inmunoterapia utilizando el algoritmo TIDE.

Además, se construyó un modelo de patómica basado en redes neuronales convolucionales para predecir directamente las respuestas a la inmunoterapia a partir de imágenes histopatológicas. El análisis de células individuales reveló que los fibroblastos pueden inducir resistencia a la inmunoterapia en el CCR a través de los ejes de señalización colágeno-CD44 e ITGA1 + ITGB1. El modelo de patómica desarrollado demostró un excelente rendimiento de clasificación en el conjunto de prueba, con un AUC de 0,88 a nivel de parche y de 0,85 a nivel de paciente.

Además, se identificaron características clave de la patómica mediante el análisis SHAP. Esta innovadora herramienta predictiva proporciona un nuevo método para la toma de decisiones clínicas en la inmunoterapia del CCR, con el potencial de optimizar las estrategias de tratamiento y avanzar en la medicina de precisión.