Volver a Noticias Científicas
Investigación Científica

Detalles del Artículo

Puntuaciones de riesgo basadas en aprendizaje profundo a partir de H&E en cáncer colorrectal: asociaciones con la morfología del tumor, la biología y la respuesta predictiva a los fármacos.

¿Qué significa esto para los pacientes?

AI

Este estudio investigó qué información se puede obtener sobre los pacientes con cáncer colorrectal mediante el análisis de muestras de tejido estándar (láminas teñidas con hematoxilina y eosina) utilizando un programa informático especial denominado aprendizaje profundo. El programa asigna una puntuación de riesgo a cada paciente.

La investigación analizó datos de más de 4.000 pacientes con cáncer colorrectal de diferentes países. El análisis reveló que las puntuaciones de riesgo proporcionadas por el programa de aprendizaje profundo estaban relacionadas con factores conocidos, como el grado del cáncer, si se había extendido a los ganglios linfáticos, la cantidad de brotes tumorales (células cancerosas que crecen en grupos) y el porcentaje de tejido muerto (necrosis) dentro del tumor. El estudio también encontró que una característica específica, la interacción directa entre las células tumorales y las células grasas (adipocitos), era más común en los pacientes con puntuaciones de alto riesgo. El análisis de aprendizaje profundo también sugirió que los grupos de alto y bajo riesgo podrían responder de manera diferente a ciertos fármacos.

Esta investigación se encuentra todavía en una fase inicial. Utiliza datos existentes y análisis informático de muestras de tejido. No implica la prueba de nuevos tratamientos en pacientes. Los resultados sugieren que el análisis de aprendizaje profundo de láminas de tejido estándar puede identificar características importantes relacionadas con el riesgo y, posiblemente, con la respuesta al tratamiento en el cáncer colorrectal. Sin embargo, se necesitaría más investigación, incluidos ensayos clínicos, para confirmar estos hallazgos y determinar si este enfoque se puede utilizar para guiar las decisiones de tratamiento en el futuro.

Este resumen es generado por IA con fines informativos. No sustituye el consejo médico profesional. Consulte siempre con su oncólogo.

En los últimos años, se han presentado varios modelos de aprendizaje profundo (DL) para predecir la supervivencia del paciente con cáncer colorrectal (CRC) directamente a partir de imágenes de diapositivas completas teñidas con hematoxilina y eosina (H&E). A diferencia de los estudios tradicionales que se basan en características histopatológicas definidas manualmente, el DL débil permite entrenar directamente sobre puntos finales clínicos sin especificar previamente la focalización del modelo. Esto ofrece una oportunidad única para estudiar la morfología tisular subyacente a estas predicciones, mejorando nuestra comprensión de la biología de la enfermedad. Aquí presentamos un análisis completo de las características clínico-patológicas, la morfología tumoral y la biología, así como la respuesta predictiva al medicamento basada en expresión génica de más de 4,000 pacientes con CRC derivados de cuatro cohortes internacionales diferentes con puntajes de riesgo DL inferidos a partir de H&E (riesgo bajo versus alto, así como puntajes absolutos de riesgo).

Los resultados de nuestro estudio sugieren que los factores de riesgo clínico-patológicos convencionales, como el grado de diferenciación, la presencia de metástasis linfáticas, la brodificación tumoral y el porcentaje de necrosis tumoral, están asociados positivamente con los puntajes de riesgo DL.

Además, los CRCs con interacciones directas entre tumor y adipocitos se enriquecen en el grupo de alto riesgo basado en DL. A través de un examen morfológico detallado, proporcionamos evidencia completa que vincula las interacciones directas entre tumor y adipocitos, una alta brodificación tumoral y una morfología mal diferenciada con puntajes de riesgo DL altos. Los subgrupos transcriptómicos y genéticos muestran solo una asociación limitada con los puntajes de riesgo DL derivados de H&E.

Además, presentamos datos que sugieren que los CRCs basados en DL de bajo versus alto riesgo pueden caracterizarse por una sensibilidad diferencial a los medicamentos.

Nuestro estudio destaca que los puntajes de riesgo basados en DL derivados de las diapositivas H&E no solo se alinean con características clínico-patológicas establecidas, sino que también destacan características morfológicas, como la interacción entre tumor y adipocitos, que no son capturadas rutinariamente por los sistemas de puntuación clínico-patológica establecidos.

Además, los grupos de riesgo basados en DL pueden estar asociados con una respuesta al tratamiento diferencial, subrayando su potencial para guiar la estratificación del paciente en la práctica clínica rutinaria. © 2026 The Author(s). The Journal of Pathology published by John Wiley & Sons Ltd on behalf of The Pathological Society of Great Britain and Ireland.

Inicia sesión o regístrate para acceder al texto completo

Se abre en una nueva pestaña en la publicación original

Compartir y Discutir

Comentarios

¡Aún no hay comentarios. Sé el primero en comentar!

Enviar a mi oncólogo

Artículo: Deep learning-based H&E-derived risk scores in colorectal cancer: associations with tumour morphology, biology, and predicted drug response.

Autores: Reitsam NG, Jiang X, Liang J, Grosser B, Grozdanov V, Loeffler CM, Gustav M, Lenz T, Muti HS, Carrero ZI, West NP, Qu...
Publicado: 2026-05-01
PMID: 41716034

Enlace: https://crcwarriors.org/article-detail.php?id=1484 | https://pubmed.ncbi.nlm.nih.gov/41716034/

¡Regístrate para usar esta función!

Crea una cuenta gratuita para enviar artículos científicos directamente a tu oncólogo y acceder a muchas más funcionalidades personalizadas.

Regístrate gratis