Predicción de dMMR a partir de histopatología de cáncer colorrectal: aprovechamiento de regiones no tumorales y de bajo aumento.

El cáncer colorrectal es la segunda causa principal de mortalidad relacionada con el cáncer a nivel mundial, representando una carga sustancial para los sistemas de salud. Identificar la deficiencia de reparación de errores de emparejamiento del ADN (dMMR) es crítico para guiar el tratamiento, aunque los métodos convencionales se basan en análisis de ADN laboriosos. Si bien los enfoques de aprendizaje profundo han mostrado promesa para predecir dMMR a partir de imágenes histopatológicas, la mayoría de estudios se enfoca exclusivamente en regiones tumorales y representaciones de una sola escala.

Este estudio evalúa sistemáticamente el valor predictivo de regiones tumorales y no tumorales en múltiples aumentos para la predicción de dMMR a partir de imágenes de láminas completas (WSIs). Se evaluaron un total de 24 enfoques de modelado diferentes, variando según el origen del tejido (tumor vs. no tumor), el nivel de aumento (5x y 20x), y la estrategia de incrustación de teselas, incluyendo modelos fundacionales de patología digital. Las incrustaciones de teselas se entrenaron posteriormente con 1228 WSIs utilizando un enfoque basado en aprendizaje de instancias múltiples (MIL). Se seleccionaron las configuraciones con mejor desempeño para evaluación externa.

Las pruebas externas se realizaron en dos cohortes independientes que consistían en 1010 y 457 WSIs, respectivamente. Las regiones no tumorales demostraron valor predictivo medible, aunque el desempeño fue menor que el obtenido de regiones tumorales (F1 = 0.896, precisión = 0.888, sensibilidad = 0.594, especificidad = 0.982). Entre los nueve modelos seleccionados durante la validación interna, los tres modelos principales—un enfoque multiescala y dos modelos entrenados en regiones tumorales 20x—lograron puntuaciones F1 de 0.870-0.889 con precisión de 0.885-0.920, sensibilidad de 0.852 y especificidad de 0.889-0.926. En la validación externa, los tres modelos principales, todos basados en incrustaciones de teselas de modelos fundacionales, lograron puntuaciones F1 de 0.916-0.919 en la primera cohorte y 0.928-0.934 en la segunda cohorte.

Entre cohortes, la especificidad se mantuvo consistentemente alta (0.964-0.992), mientras que la sensibilidad osciló entre 0.500 y 0.682.

Este estudio demuestra que el estado dMMR en el cáncer colorrectal puede ser predicho efectivamente a partir de WSIs histopatológicas utilizando modelos basados en MIL, con generalizabilidad moderada entre cohortes independientes. Además de confirmar el valor predictivo de regiones tumorales, los resultados revelan que el tejido no tumoral también contiene señales predictivas detectables, sugiriendo que características del microambiente pueden contribuir a patrones histológicos asociados con dMMR.

Además, el uso de incrustaciones derivadas de modelos fundacionales mejoró la generalizabilidad entre conjuntos de datos. El trabajo futuro debería explorar la integración de características de tejido no tumoral y datos clínicos para mejorar aún más el desempeño predictivo.