Para un pequeño porcentaje de pacientes con cáncer, los médicos no pueden determinar dónde se originó su cáncer. Esto hace que sea mucho más difícil elegir un tratamiento para esos pacientes, porque muchos medicamentos contra el cáncer generalmente se desarrollan para tipos específicos de cáncer.
Un nuevo enfoque desarrollado por investigadores del MIT y el Instituto Oncológico Dana-Farber puede facilitar la identificación de los sitios de origen de esos enigmáticos cánceres.
Usando el aprendizaje automático, los investigadores crearon un modelo computacional que puede analizar la secuencia de unos 400 genes y usar esa información para predecir dónde se originó un tumor determinado en el cuerpo.
El cáncer de origen primario desconocido (CUP, por sus siglas en inglés) es un tipo de cáncer que no se puede rastrear hasta su sitio primario y representa entre el 3 y el 5% de todos los cánceres. Faltan terapias dirigidas establecidas para la CUP, lo que generalmente conduce a resultados deficientes.
Los autores han desarrollado OncoNPC, un clasificador de aprendizaje automático entrenado con datos de secuenciación de próxima generación (NGS) dirigida de 36.445 tumores en 22 tipos de cáncer de tres instituciones. El clasificador de tipo de cáncer primario basado en NGS de oncología (OncoNPC) logró una puntuación F1 ponderada de 0,942 para las predicciones de alta confianza (\(\ge 0,9\)) en muestras tumorales excluidas, que representaron el 65,2 % de todas las muestras excluidas. Cuando se aplicó a 971 tumores CUP recolectados en el Instituto Oncológico Dana-Farber, OncoNPC predijo los tipos de cáncer primario con un alto nivel de confianza en el 41,2% de los tumores.¹
Investigadores del Instituto Oncológico Dana-Farber y del Instituto Tecnológico de Massachusetts (MIT) desarrollaron una herramienta basada en inteligencia artificial (IA) que permite predecir el origen primario de un tumor canceroso. El estudio fue publicado en la revista ´Nature Medicine´,1 así como también en la página del MIT.
Esta herramienta predictiva, denominada ´OncoNPC´, la abreviatura de Oncology NGS-based Primary cancer type Classifier, podría ayudar a guiar el tratamiento del cáncer y mejorar los resultados en casos difíciles de diagnosticar.
Para un pequeño porcentaje de pacientes con cáncer, los médicos no pueden determinar dónde se originó su cáncer. Esto hace que sea mucho más difícil elegir un tratamiento para esos pacientes, porque muchos medicamentos contra el cáncer generalmente se desarrollan para tipos específicos de cáncer.
Un nuevo enfoque desarrollado por investigadores del MIT y el Instituto Oncológico Dana-Farber puede facilitar la identificación de los sitios de origen de esos enigmáticos cánceres.
Usando el aprendizaje automático, los investigadores crearon un modelo computacional que puede analizar la secuencia de unos 400 genes y usar esa información para predecir dónde se originó un tumor determinado en el cuerpo.
El cáncer de origen primario desconocido (CUP, por sus siglas en inglés) es un tipo de cáncer que no se puede rastrear hasta su sitio primario y representa entre el 3 y el 5% de todos los cánceres. Faltan terapias dirigidas establecidas para la CUP, lo que generalmente conduce a resultados deficientes.
Los autores han desarrollado OncoNPC, un clasificador de aprendizaje automático entrenado con datos de secuenciación de próxima generación (NGS) dirigida de 36.445 tumores en 22 tipos de cáncer de tres instituciones. El clasificador de tipo de cáncer primario basado en NGS de oncología (OncoNPC) logró una puntuación F1 ponderada de 0,942 para las predicciones de alta confianza (\(\ge 0,9\)) en muestras tumorales excluidas, que representaron el 65,2 % de todas las muestras excluidas. Cuando se aplicó a 971 tumores CUP recolectados en el Instituto Oncológico Dana-Farber, OncoNPC predijo los tipos de cáncer primario con un alto nivel de confianza en el 41,2% de los tumores.¹
Investigadores del Instituto Oncológico Dana-Farber y del Instituto Tecnológico de Massachusetts (MIT) desarrollaron una herramienta basada en inteligencia artificial (IA) que permite predecir el origen primario de un tumor canceroso. El estudio fue publicado en la revista ´Nature Medicine´,1 así como también en la página del MIT.
Esta herramienta predictiva, denominada ´OncoNPC´, la abreviatura de Oncology NGS-based Primary cancer type Classifier, podría ayudar a guiar el tratamiento del cáncer y mejorar los resultados en casos difíciles de diagnosticar.
Utilizando el aprendizaje automático, los investigadores crearon un modelo computacional que analiza la secuencia de unos 400 genes. De esta forma, la herramienta podría facilitar la identificación del origen de los tumores de cáncer en pacientes en los que no se puede determinar su ubicación exacta. Es decir, predecir el origen del tumor en el cuerpo.
El modelo fue capaz de clasificar con precisión al menos el 40% de los tumores con origen desconocido en un conjunto de datos de 900 pacientes. Esto permitiría aumentar el número de pacientes que podrían recibir un tratamiento dirigido y basado en su genoma.
Respecto a los tumores con tipos conocidos, OncoNPC predijo con precisión el origen de alrededor del 80%, incluidos los metastásicos, utilizando un subconjunto de casos que no se habían utilizado como datos de entrenamiento.
Asimismo, OncoNPC podría ayudar a los médicos a tomar decisiones terapéuticas y orientarlos hacia tratamientos personalizados para los pacientes con cáncer de origen desconocido.
Cuando se trata del cáncer de origen primario, este se diagnostica mediante una serie de pruebas diagnósticas estandarizadas, que incluyen evaluaciones radiológicas y patológicas basadas en portaobjetos de células extraídas de una biopsia tumoral.
Sin embargo, entre el 3-5% de los casos de cáncer no se puede determinar el origen del tumor, lo que implica que a esos pacientes se les diagnostica un cáncer de sitio primario desconocido y, por ende, las opciones de tratamiento son escasas, debido a esa falta de precisión. Es por ello que esta herramienta representa una esperanza.
Los investigadores señalan que consideran la predicción de ´OncoNPC´ como un empujón, una forma de ofrecer una posible explicación del cáncer que ayude a orientar el tratamiento adecuado, incluida la medicina de precisión. Una forma de ayudar a los médicos a seleccionar tratamientos que mejoren la supervivencia.
Utilizando el aprendizaje automático, los investigadores crearon un modelo computacional que analiza la secuencia de unos 400 genes. De esta forma, la herramienta podría facilitar la identificación del origen de los tumores de cáncer en pacientes en los que no se puede determinar su ubicación exacta. Es decir, predecir el origen del tumor en el cuerpo.
El modelo fue capaz de clasificar con precisión al menos el 40% de los tumores con origen desconocido en un conjunto de datos de 900 pacientes. Esto permitiría aumentar el número de pacientes que podrían recibir un tratamiento dirigido y basado en su genoma.
Respecto a los tumores con tipos conocidos, OncoNPC predijo con precisión el origen de alrededor del 80%, incluidos los metastásicos, utilizando un subconjunto de casos que no se habían utilizado como datos de entrenamiento.
Asimismo, OncoNPC podría ayudar a los médicos a tomar decisiones terapéuticas y orientarlos hacia tratamientos personalizados para los pacientes con cáncer de origen desconocido.
Cuando se trata del cáncer de origen primario, este se diagnostica mediante una serie de pruebas diagnósticas estandarizadas, que incluyen evaluaciones radiológicas y patológicas basadas en portaobjetos de células extraídas de una biopsia tumoral.
Sin embargo, entre el 3-5% de los casos de cáncer no se puede determinar el origen del tumor, lo que implica que a esos pacientes se les diagnostica un cáncer de sitio primario desconocido y, por ende, las opciones de tratamiento son escasas, debido a esa falta de precisión. Es por ello que esta herramienta representa una esperanza.
Los investigadores señalan que consideran la predicción de ´OncoNPC´ como un empujón, una forma de ofrecer una posible explicación del cáncer que ayude a orientar el tratamiento adecuado, incluida la medicina de precisión. Una forma de ayudar a los médicos a seleccionar tratamientos que mejoren la supervivencia.
Los investigadores entrenaron y validaron un clasificador de aprendizaje automático para construir el modelo. Para ello, utilizaron los historiales médicos de 36.445 pacientes con tumores primarios conocidos de tres grandes centros oncológicos, entre ellos Dana-Farber.
Los registros contenían datos de secuenciación genética del tumor e información clínica de cada paciente.
Dos de los investigadores, Gusev e Intae Moon, primera autora, estudiante de posgrado en el Instituto Tecnológico de Massachusetts (MIT) e investigadora en el laboratorio de Gusev, optaron por utilizar un modelo de aprendizaje automático interpretable, es decir que el razonamiento que subyace a la predicción del modelo es más transparente que otras formas de IA. Pensamos que esta transparencia ayudaría a los médicos a confiar en el modelo, y también podría ser clínica y biológicamente útil ver qué factores genéticos contribuyeron a la predicción del modelo, especialmente teniendo en cuenta la naturaleza enigmática de los tumores de sitio primario desconocido, añadieron.
En simultáneo a las predicciones respecto a los distintos tumores, los investigadores aplicaron ´OncoNPC´ a otra base de datos de 971 tumores de sitio primario desconocido de pacientes atendidos en Dana-Farber, donde un equipo de expertos ya había realizado un esfuerzo considerable para identificar el origen primario del tumor. El modelo de IA fue, entonces, capaz de predecir el origen del tumor con un alto grado de fiabilidad en 400 de los 971 casos (41,2%).
Para validar estas predicciones, el equipo analizó los riesgos hereditarios de cáncer en la línea germinal de estos pacientes y comprobó que los riesgos coincidían con las predicciones. También examinaron casos concretos con detenimiento para determinar si los datos, incluidos los resultados patológicos, los antecedentes del paciente y las mutaciones genéticas, respaldaban la predicción.
La validación es un reto porque no existe una verdad sobre el terreno. Los métodos existentes no conseguían identificar el origen, expresa Gusev, y añade: las pruebas que analizamos nos demostraron que el modelo va por buen camino.
De esta forma, el equipo examinó luego los resultados de un subconjunto de pacientes con cáncer de sitio primario desconocido. Los pacientes que recibieron tratamientos que coincidían con el lugar del tumor primario pronosticado tuvieron una mayor supervivencia en comparación con los que recibieron tratamientos que no coincidían con las predicciones.
Las predicciones de ´OncoNPC´ permitirían asignar aproximadamente 2,2 veces más pacientes con cáncer de sitio primario desconocido a fármacos dirigidos aprobados.
El atractivo de este enfoque es que los paneles de tumores están ampliamente disponibles y es fácil ejecutar esos resultados a través del algoritmo para obtener una predicción. Podría ser valioso en entornos con recursos limitados. Hasta ahora, la herramienta sólo se ha estudiado con datos retrospectivos. Para determinar si puede mejorar los resultados de los pacientes, habría que probarla en un ensayo clínico, concluyeron los investigadores.
Referencia
Moon, I., LoPiccolo, J., Baca, S.C. et al. Aprendizaje automático para la clasificación basada en la genética y la predicción de la respuesta al tratamiento en el cáncer de origen primario desconocido. Nat Med 29, 2057–2067 (2023). https://doi.org/10.1038/s41591-023-02482-6