AI multimodal îmbunătățește predicția mutațiilor PIK3CA în cancerul mamar
Cancerul mamar este una dintre cele mai frecvente malignități la nivel mondial, iar mutațiile din calea de semnalizare PI3K/AKT/mTOR (PAM) sunt prevalente în dezvoltarea acestuia.
Printre acestea, mutațiile PIK3CA joacă un rol esențial în ghidarea tratamentului cu inhibitori PI3K, care au demonstrat efecte antitumorale promițătoare. Totuși, testele moleculare convenționale, precum reacția de polimerizare în lanț (PCR) și secvențierea de nouă generație (NGS), necesită infrastructură costisitoare și nu sunt întotdeauna fezabile în practica clinică de rutină.
Modelele de învățare profundă au apărut ca o soluție rentabilă, prezicând mutații cheie din imagini de patologie digitală. Cu toate acestea, majoritatea modelelor existente se bazează pe date unidimensionale, adesea lipsind informațiile complementare pe care datele clinice structurate le pot oferi. Aceste provocări evidențiază necesitatea unor modele de predicție îmbunătățite.
Într-un studiu publicat în februarie 2026, o echipă de cercetători de la Hebei Medical University Fourth Hospital a dezvoltat un nou model de inteligență artificială multimodal pentru prezicerea mutațiilor PIK3CA în cancerul mamar (DOI: 10.20892/j.issn.2095-3941.2025.0771). Acest model integrează analiza bazată pe învățare profundă a imaginilor de patologie pe întreaga latură cu date clinice structurate, inclusiv vârsta, subtipul molecular și starea ganglionilor limfatici.
Cercetarea a folosit date din The Cancer Genome Atlas (TCGA) și trei cohorte clinice externe, demonstrând robustețea modelului și potențialul său ca alternativă accesibilă la testarea moleculară în diverse medii clinice.
Structura multimodală a studiului, cunoscută sub numele de Multimodal PIK3CA Model (MPM), combină două componente: un model de histopatologie și un model clinic. Modelul de histopatologie procesează imagini de înaltă rezoluție utilizând un encoder pretrained bazat pe transformere (H-optimus-0) și un classifier de învățare multiplă cu atenție constrânsă de clustering (CLAM-SB). Acest model identifică caracteristicile morfologice asociate cu mutațiile PIK3CA.
Modelul clinic, bazat pe XGBoost, analizează datele clinice structurate pentru a prezice starea mutației. Ambele modele generează predicții de probabilitate independente, care sunt fuzionate folosind o strategie de fuziune la nivel de decizie pentru a produce o predicție finală a stării mutației.
MPM a depășit modelele unidimensionale, atingând o arie subcurbă (AUC) de 0.745 în testarea internă, cu o performanță stabilă în cadrul seturilor externe de validare (0.695 până la 0.680 AUC). Includerea variabilelor clinice, precum subtipul molecular și starea ganglionilor limfatici, a îmbunătățit acuratețea predictivă a modelului, subliniind importanța combinării datelor morfologice și clinice.
Studiul a demonstrat, de asemenea, capacitatea modelului de a se generaliza în diverse cohorte, făcându-l un instrument promițător pentru aplicarea clinică în viața reală. Dr. Yueping Liu, autorul principal al studiului, a declarat: „Această structură AI multimodal reprezintă un avans semnificativ în patologia computațională. Prin integrarea datelor clinice și morfologice complementare, modelul nostru nu doar că îmbunătățește predicția mutațiilor PIK3CA, ci oferă și o soluție scalabilă, rentabilă pentru practica clinică.”
Performanța robustă a MPM și capacitatea sa de a integra atât datele de patologie digitală, cât și cele clinice îl fac un instrument valoros pentru suportul deciziilor clinice. Modelul oferă o alternativă practică și rentabilă la testarea moleculară tradițională, care este adesea inaccesibilă în medii cu resurse limitate. Cu o bună generalizare în diverse centre medicale și cohorte de pacienți, MPM ar putea fi implementat în practica clinică de rutină pentru a prezice mutațiile PIK3CA în cancerul mamar, ghidând astfel utilizarea terapiilor țintite PI3K. Cercetările viitoare ar putea viza rafinarea modelului pentru alte mutații și tipuri de cancer, extinzând aplicabilitatea sa în oncologia de precizie.
