Predicción multimodelo del pronóstico específico por estadio del cáncer colorrectal mediante el aprendizaje profundo en conjunto basado en la atención, aplicado a datos de perfiles genómicos.

A lo largo de las décadas, los cambios en el estilo de vida humano han provocado alteraciones en los hábitos alimenticios. El consumo de dietas bajas en fibra y altas en grasas y azúcares da como resultado la producción de metabolitos carcinógenos durante la digestión. Los alimentos que consumimos se someten a una compleja serie de procesos que involucran la digestión y la excreción, afectando a varios órganos internos del cuerpo humano. El ADN y el MiARN presentes en los alimentos son cruciales para mantener la salud humana.

El daño a los órganos humanos puede provocar el desarrollo de células cancerosas. Entre los diversos tipos de cáncer, el cáncer colorrectal (CCR) es el tercer cáncer más común y contribuye al aumento de la tasa de mortalidad en todo el mundo. Una de las mejores formas de realizar un diagnóstico precoz del CCR es mediante la elaboración de perfiles genómicos. Se observan mutaciones frecuentes en los genes APC, TP53, KRAS, PIK3CA y SMAD4 en las muestras recogidas, lo que contribuye al CCR.

En el presente trabajo se ha realizado un esfuerzo para mejorar la clasificación y la predicción mediante el uso de un enfoque de aprendizaje de conjuntos profundos basado en una LSTM bidireccional apilada basada en la autoatención, optimizada con el algoritmo de optimización paralelo de ballenas (WOA) para la convergencia global, tras un proceso de selección de características.

Además, se realiza el análisis de supervivencia de los pacientes con CCR utilizando la técnica DeepSurv para evaluar la eficacia del tratamiento y la atención al paciente. El rendimiento del modelo propuesto se evalúa utilizando diversas métricas para la predicción del cáncer colorrectal por etapas, y se realiza un análisis comparativo para validarlo frente a técnicas de referencia, lo que da como resultado una mejora en la precisión de la clasificación y la predicción.

Este estudio puede ayudar a los médicos a detectar el CCR en una etapa más temprana y a mejorar el manejo de los pacientes.