Segmentación y puntuación mejoradas mediante inteligencia artificial de los patrones de crecimiento histopatológicos en metástasis hepáticas de cáncer colorrectal resecadas.

Los patrones de crecimiento histopatológicos, predominantemente la presencia de un borde encapsulado, sirven como potentes biomarcadores pronósticos en las metástasis hepáticas de cáncer colorrectal.

Sin embargo, la estimación visual convencional se ve limitada por la variabilidad interobservador, el sesgo de redondeo humano y los umbrales categóricos. Nuestro objetivo fue desarrollar y validar externamente un marco de segmentación de aprendizaje profundo que produzca métricas de encapsulación continuas, espacialmente resueltas y objetivas a partir de imágenes de porta de muestra completa de rutina. En este estudio multicéntrico de pacientes con metástasis hepáticas de cáncer colorrectal (CRLMs) que no habían recibido quimioterapia y que fueron sometidos a resección, se desarrolló una arquitectura nnU-Net modificada utilizando 40 porta de muestra completa teñidas con H&E con anotaciones de píxeles para segmentar el parénquima hepático, el tumor y la interfaz de encapsulación. El rendimiento del modelo se optimizó en diferentes resoluciones espaciales.

Se calculó una puntuación de encapsulación continua automatizada mediante IA para determinar las métricas a nivel del paciente. El valor pronóstico para la supervivencia global a 5 años se evaluó utilizando regresión de Cox con cúbicos restringidos, un umbral optimizado mediante la prueba de log-rank y análisis de supervivencia de Kaplan-Meier en una cohorte principal (Erasmus MC; n = 546, 1910 porta de muestra completa) y una cohorte de validación externa independiente (Radboud UMC; n = 212, 615 porta de muestra completa). La red de segmentación logró una delimitación óptima de los límites de los tejidos a una resolución de 2,0 μm/píxel en las 40 porta de muestra anotadas (DICE general del primer plano: 0,86 ± 0,09; DICE de encapsulación: 0,70 ± 0,11). El modelado con splines demostró que, si bien la evaluación visual mostró mesetas de riesgo no lineales, la puntuación de encapsulación continua mediante IA exhibió una reducción lineal en el riesgo de mortalidad en el rango intermedio crítico (25%-75% de encapsulación, p = 7,81 x 10-4).

La optimización de log-rank identificó un umbral global primario del 47,4% (p = 3,73 x 10-8), que confirmó una estratificación significativa de la supervivencia global en la validación externa (p = 0,018). Se encontró un umbral secundario en el 69% (p = 2,93 x 10-6) que identificó a los pacientes con alto grado de encapsulación y bajo riesgo, lo que coincide con el punto de corte manual actual del 100% de Rotterdam. Nuestro modelo de aprendizaje profundo transforma la clasificación cualitativa de los patrones de crecimiento histopatológicos en una biometría pronóstica continua, explicable y totalmente automatizada. Al eliminar la subjetividad del observador y capturar gradientes de riesgo finos, el modelo establece una base escalable y estandarizada para la estratificación del riesgo de CRLM en patología digital.