El director médico de Paige, el Dr. Juan Retamero, organizó una presentación de productos en la Reunión Anual del Colegio de Patólogos Americanos (CAP) de 2022 en la que habló de cómo la inteligencia artificial (IA) podría utilizarse para ayudar a los patólogos a revisar los casos de mama.
El Dr. Retamero comenzó con una revisión histórica de los estudios fundacionales fundamentales que demostraron que la IA era capaz de ayudar con éxito a la identificación del cáncer con una precisión de grado clínico. Un estudio en particular, el de Campanella et al., descubrió que el aprendizaje de instancias múltiples (MIL) era un modelo especialmente eficaz para entrenar la IA 1 de manera que pueda encontrar cánceres en los datos de cualquier institución, independientemente de las variaciones preanalíticas, sin necesidad de un ajuste adicional, lo que es esencial para utilizar la IA en los laboratorios del mundo real. Con este estudio como base, ahora se han lanzado al mercado muchas aplicaciones de IA, incluida la de Paige, que utilizan este enfoque para identificar de forma segura el cáncer de próstata, mama y otros casos de uso específicos.
En este contexto, el Dr. Retamero destacó algunos de los retos que puede presentar el diagnóstico del cáncer de mama y cómo la IA diseñada para ayudar a los patólogos en el diagnóstico del cáncer de mama puede ayudar a mitigar algunos de estos retos. En primer lugar, se refirió a un estudio de 2015 en el que se constató que la concordancia en el diagnóstico del cáncer de mama entre los patólogos con respecto a un diagnóstico de verdad no siempre es perfecta: en varios casos, hasta una cuarta parte de los patólogos calificaron de canceroso un portaobjetos benigno y, por el contrario, varios patólogos calificaron de benigno un portaobjetos maligno.2 Por lo tanto, la utilización de la IA que ha demostrado ofrecer una alta sensibilidad para la detección de los cánceres de mama, como Paige Breast, como herramienta de segunda opinión podría ofrecer un apoyo a la decisión mejorado que ayudaría a los patólogos a asegurarse de que están llegando a un diagnóstico en el que se sienten seguros.
Un segundo reto en el diagnóstico del cáncer de mama es que la identificación de las metástasis en los ganglios linfáticos suele ser realizada por un patólogo general y no por un especialista. Un estudio realizado en los Países Bajos en 2012 descubrió que cuando un grupo de especialistas revisó los estadios ganglionares que habían sido diagnosticados por patólogos generales, hasta el 24% de estos pacientes tuvieron que ser subidos de categoría.3 Por lo tanto, la IA que ha sido entrenada en un conjunto de datos robusto podría ofrecer una mayor sensibilidad que podría ayudar a todos los patólogos en el diagnóstico a nivel de especialista. En particular, Paige Breast Lymph Node ha demostrado mejorar la eficiencia de los patólogos y la sensibilidad en la detección de metástasis, especialmente a través de pequeños micromedios que, de otro modo, podrían ser más difíciles.4
Además, el recuento mitótico, especialmente en un microscopio, es conocido entre los patólogos por ser uno de los elementos más tediosos -si no desagradables- del proceso de diagnóstico. Cuando se hace manualmente, puede ser difícil no sólo seguir el recuento en una región específica, sino también seguir las regiones que ya han sido revisadas y contabilizadas. Aquí es donde interviene la IA. La IA, como Paige Mitosis Detect, puede señalar a los patólogos las regiones con mayor concentración de mitosis y calcular automáticamente el número de mitosis por milímetro cuadrado en estos puntos calientes para reducir el tedio del recuento mitótico y permitir a los patólogos una mayor confianza en el diagnóstico.
La etapa final del diagnóstico de los cánceres de mama es la evaluación de los biomarcadores a través del Ki-67, los receptores de estrógeno (ER), los receptores de progesterona (PR) y el HER2, que hoy en día se realiza mediante la inmunohistoquímica (IHC), la hibridación in situ (ISH/FISH) y la evaluación del patólogo únicamente. Sin embargo, el Dr. Retamero señaló un artículo de 2016 en el que se descubrió que, con la ayuda de la IA, los patólogos mostraban una mejor diferenciación entre la clasificación luminal A y luminal B, así como una clasificación más sólida de HER2.5 Esto sugiere que, de nuevo, como ocurre en muchos otros procesos de diagnóstico, el poder de los patólogos junto con la IA es más fuerte que el de cualquiera de ellos por separado.
Sin embargo, el avance más emocionante en la aplicación de la IA al diagnóstico del cáncer de mama es su potencial para cambiar la forma de abordar y diagnosticar el HER2. Tradicionalmente, hemos tratado el HER2 en alrededor del 15% de las pacientes.6 Sin embargo, recientemente se ha demostrado que un nuevo subconjunto de pacientes que consideramos HER2-bajo también podría beneficiarse del tratamiento de HER2. El problema es que los ensayos de HER2 que utilizamos hoy en día no están orientados al diagnóstico de las pacientes que se encuentran en el extremo inferior del espectro de HER2. La IA puede cambiar eso.
El ensayo HER2 de Paige, HER2Complete, aprovecha los patrones cito-arquitectónicos del tejido para identificar subconjuntos de expresión de HER2 dentro de la IHC-0, en particular la verdadera enfermedad HER2-negativa. Formado mediante métodos proteómicos y de expresión génica ortogonales, HER2Complete puede identificar la expresión de HER2 en pacientes actualmente clasificados como IHC negativos (o IHC-0), además de la expresión en pacientes con HER2 bajo (IHC1+ y 2+/FISH negativos). Este enfoque pretende complementar las pruebas de IHC existentes, identificando potencialmente los verdaderos cánceres de mama con expresión de HER2 utilizando únicamente los portaobjetos de biopsia o resección de diagnóstico. Armados con la IA, creemos que podría haber un futuro en el que los patólogos puedan identificar a más pacientes que podrían beneficiarse de los tratamientos contra el HER2.
El Dr. Retamero concluyó recordando que las herramientas de IA están diseñadas para ayudar a los patólogos a llegar a un diagnóstico, no para diagnosticar en lugar de un patólogo. Lo bueno de la IA es que crea eficiencia en el trabajo que los patólogos ya hacen bien y ofrece apoyo adicional en áreas que pueden ser difíciles. Al fin y al cabo, todo se reduce a la morfología, independientemente de la forma en que se corte. La IA no es más que el medio para aprovechar más eficazmente la información que contienen los tejidos. Y, armados con esta información, un medio para ayudar a los patólogos a guiar a todo el equipo de atención del cáncer de mama con confianza para garantizar la mejor experiencia para los pacientes.
Referencias
1Campanella, G., Hanna, M.G., Geneslaw, L. et al. Patología computacional de grado clínico utilizando aprendizaje profundo débilmente supervisado en imágenes de portaobjetos completos. Nat Med 25, 1301-1309 (2019).
2Elmore, Joann G., et al. «Concordancia diagnóstica entre patólogos que interpretan muestras de biopsia de mama». Jama 313.11 (2015): 1122-1132.
3VestjensJHMJ, Pepels MJ, de Boer M, et al. Impacto relevante de la revisión patológica central en la clasificación ganglionar en pacientes individuales de cáncer de mama. Ann Oncol. 2012;23(10):2561-2566. doi:10.1093/annonc/mds072
4Basadoen un estudio clínico de investigación en el que participaron 3 patólogos y datos de 148 pacientes.
5StålhammarG, Fuentes Martinez N, Lippert M, et al. El análisis digital de imágenes supera la evaluación manual de biomarcadores en el cáncer de mama. Mod Pathol. 2016;29(4):318-329. doi:10.1038/modpathol.2016.34
6Tarantino, P. y otros, (2020) J Clin Oncol. 10;38(17):1951-1962.
