Biomarcadores en ADN tumoral circulante y modelos de IA para el cáncer de mama

ADN tumoral circulante como biomarcador pronóstico en inhibidores de CDK 4/6

Luis Chinea y colegas, investigaron cómo el ctDNA puede ser usado para predecir la respuesta al tratamiento con inhibidores de CDK 4/6 en pacientes con cáncer de mama metastásico receptor hormonal positivo (HR+), HER2 no amplificado. Su objetivo fue determinar si alteraciones genéticas específicas (CCNE1, MYC y RB1) detectadas en ctDNA pueden correlacionarse con la resistencia al tratamiento, un desafío clave en esta población de pacientes.

Generalidades:

El estudio incluyó a 102 pacientes tratados con inhibidores de CDK 4/6 y terapia endocrina. Se recopilaron datos desde 2019 hasta 2024 a través de pruebas comerciales de ctDNA (Tempus xF y FoundationOne Liquid CDx). El análisis se centró en la presencia de mutaciones antes y después de la progresión de la enfermedad.

Resultados:

Los hallazgos revelaron que 88 pacientes sin mutaciones en CCNE1, MYC o RB1 tuvieron una mediana de supervivencia libre de progresión (mPFS) de 13.5 meses. En contraste, los 14 pacientes con mutaciones mostraron una mPFS significativamente menor: 5.5 meses para CCNE1, 19 meses para MYC y 7 meses para RB1. Además, se observó la adquisición de mutaciones en MYC y RB1 durante la progresión, lo que sugiere cambios dinámicos en la biología tumoral.

Este estudio resalta el potencial del ctDNA para capturar cambios en tiempo real en el cáncer de mama metastásico. Sin embargo, los investigadores subrayaron la necesidad de estudios más amplios y con recolección de ctDNA más frecuente para validar estos hallazgos y expandir la identificación de mutaciones predictivas.

Modelos de inteligencia artificial para biomarcadores e histología del cáncer de mama

Joseph Cappadona y su equipo de la Universidad de Nueva York presentaron un innovador modelo de IA basado en transformadores de visión (ViT-L). Este modelo fue preentrenado con datos masivos de imágenes digitales de patología para identificar características clave del cáncer de mama, incluyendo subtipos histológicos, estatus hormonales y mutaciones genéticas.

Generalidades: 

El modelo fue entrenado con 500 millones de fragmentos de imágenes de 80.000 láminas teñidas con H&E y evaluado en tareas específicas usando datos de más de 2.000 pacientes. Estas tareas incluyeron identificar subtipos histológicos como carcinoma ductal invasivo (IDC) y lobular invasivo (ILC), así como mutaciones relevantes como TP53 y CDH1.

Resultados:

El modelo mostró un desempeño destacado en la identificación de subtipos histológicos, alcanzando un AUC de 0.84 para ILC y 0.80 para IDC en cohortes independientes. También clasificó tumores según el estatus de receptores hormonales con un AUC de hasta 0.83. Además, predijo mutaciones genéticas como TP53 con un AUC de 0.76 y CDH1 con un AUC de 0.89. El modelo también demostró precisión en la identificación de características histológicas de espacio, como áreas metastásicas y regiones tumorales específicas.

Este modelo de IA muestra un gran potencial para avanzar en la investigación en patología y su implementación clínica. La capacidad de entrenar con datos limitados y obtener resultados robustos lo posiciona como una herramienta clave para identificar biomarcadores y mejorar el diagnóstico y manejo del cáncer de mama.