Modelo de aprendizaje automático combina biomarcadores de metilación del ADN, clínicos y de imágenes para detección temprana del cáncer de pulmón

Aunque varios tratamientos, entre ellos la quimioterapia, la inmunoterapia y la cirugía, han progresado, el panorama general para los pacientes con cáncer de pulmón sigue siendo sombrío. Esto se debe principalmente a un diagnóstico tardío, a menudo en las etapas III o IV, cuando la tasa de supervivencia a cinco años cae por debajo del 10 %. La detección temprana en las etapas 0 a II podría reducir significativamente la mortalidad, pero la falta de tecnologías sensibles y síntomas perceptibles en las primeras etapas presenta desafíos sustanciales.

Los biomarcadores de metilación del ácido desoxirribonucleico (ADN) han demostrado potencial para la detección temprana del cáncer de pulmón, ya que indican eventos relacionados con el inicio del tumor. El uso de métodos de secuenciación de próxima generación para identificar patrones de metilación en el ADN tumoral circulante podría permitir la detección no invasiva del cáncer de pulmón. Si bien la tomografía computarizada de baja dosis (TCBD) ha sido eficaz en la detección temprana entre los grupos de alto riesgo, determinar el riesgo de malignidad de los nódulos pulmonares mediante TCBD sigue siendo un desafío. Ahora, los investigadores han desarrollado y validado un modelo combinado de aprendizaje automático que comprende biomarcadores de metilación del ADN extracelular, clínicos y de imágenes que mejora la clasificación de los nódulos pulmonares y permite un diagnóstico más temprano del cáncer de pulmón.

En el nuevo estudio, investigadores de la Universidad Médica de Guangzhou (Guangzhou, China) desarrollaron un modelo combinado de biomarcadores clínicos y de imagen (CIBM) que utiliza algoritmos de aprendizaje automático para diferenciar nódulos pulmonares malignos y benignos. Cuando se integra con PulmoSeek, un modelo de metilación del ADN extracelular preexistente, el modelo CIBM puede identificar nódulos de pequeño tamaño para diagnosticar el cáncer de pulmón en sus etapas iniciales. Para su estudio, los investigadores inscribieron participantes de 18 años o más, con tipos específicos de nódulos pulmonares, en 20 ciudades chinas. Utilizando más de 800 muestras, los investigadores entrenaron el algoritmo de aprendizaje automático del modelo CIBM para distinguir entre tumores benignos y malignos. Luego, este modelo CIBM se integró con PulmoSeek para crear PulmoSeek Plus, un modelo de diagnóstico combinado. Utilizando el análisis de la curva de decisión, el equipo evaluó su aplicación clínica y clasificó los nódulos en grupos de riesgo. El objetivo era evaluar el desempeño y la capacidad de diagnóstico de tres modelos: PulmoSeek, CIBM y PulmoSeek Plus.

Los resultados mostraron que PulmoSeek Plus tiene potencial para  diagnosticar exitosamente la etapa temprana de nódulos pulmonares benignos o malignos. Utilizado junto con TCBD, este modelo podría ser una herramienta poderosa en la evaluación clínica temprana del cáncer de pulmón. La combinación de CIBM con el modelo PulmoSeek aumentó la sensibilidad de la clasificación de nódulos en un 6 % y el valor predictivo negativo en un 24 %. Además, el desempeño del modelo se mantuvo sólido en los diferentes tipos, tamaños y etapas de nódulos pulmonares, con sensibilidades de caracterización para nódulos en etapa temprana y pequeños de 0,98 y 0,99, respectivamente. Particularmente notable fue su sensibilidad de caracterización del 100 % para nódulos subsólidos, que normalmente son difíciles de categorizar utilizando solo TCBD. La creación del modelo PulmoSeek Plus marca un avance significativo en la detección temprana del cáncer de pulmón. Dado que únicamente requiere muestras de sangre e imágenes de tomografía computarizada no invasivas, el modelo ofrece un enfoque eficiente y prometedor que podría cambiar fundamentalmente la forma en que se diagnostica y trata el cáncer de pulmón.

Enlaces relacionados:
Universidad Médica de Guangzhou