Modelarea spațială a compartimentelor tisulare prezice răspunsul la tratamentul cancerului mamar
Cancerul mamar HER2-pozitiv reprezintă aproximativ 20% din cazurile de cancer mamar și este asociat cu un comportament mai agresiv și un risc mai mare de metastază la distanță. Răspunsul complet patologic (pCR) după chimioterapia neoadjuvantă este strâns legat de rezultate mai bune în supraviețuire, ceea ce face ca predicția precisă a răspunsului la tratament înainte de terapie să fie o provocare clinică importantă.
Structura și heterogenitatea spațială a microambientului tumoral sunt recunoscute din ce în ce mai mult ca fiind determinante cheie ale răspunsului la tratament. În acest context, slide-urile de patologie H&E sunt o sursă valoroasă pentru predicție, deoarece păstrează informații spațiale despre tumoră, stroma și infiltrația imună. Deși biomarkerii imunohistochimici sunt utilizați frecvent în practica clinică, aceste metode sunt consumatoare de timp și greu de scalat. Metodele recente bazate pe învățarea profundă, care utilizează imagini de tip whole-slide, au îmbunătățit automatizarea, dar multe dintre acestea tratează slide-urile ca o colecție de plăci independente, limitându-le capacitatea de a modela în mod explicit organizația spațială la nivel tisular.
Metodele bazate pe grafuri au început să abordeze contextul spațial, însă multe dintre ele nu au o semnificație clară a compartimentelor tisulare și rareori integrează caracteristicile structurale spațiale, caracteristicile semantice profunde și variabilele clinice într-un cadru unificat. Acest lucru face ca modelarea tisulară specifică, fundamentată biologic și mai interpretabilă să fie o direcție importantă pentru prezicerea răspunsului la tratament în cancerul mamar HER2-pozitiv.
Studiul a propus un cadru de modelare ierarhic specific țesuturilor pentru a prezice răspunsul complet patologic la chimioterapia neoadjuvantă în cancerul mamar HER2-pozitiv, folosind imagini whole-slide H&E de rutină. Fluxul de lucru a început prin divizarea fiecărui slide în cinci compartimente tisulare semnificative biologic: tumoră, stroma, limfocitele infiltrante stromale (sTILs), limfocitele infiltrante intratumorale (iTILs) și TIL-uri generale. Pentru fiecare compartiment, a fost construit un grafic tisular folosind plăcile reprezentative grupate ca noduri și proximitatea spațială ca margini, din care au fost extrase caracteristici structurale spațiale interpretabile prin analiza rețelelor sociale.
În paralel, informațiile semantice profunde au fost obținute utilizând un model de învățare profundă slab supravegheat, bazat pe învățarea prin multiple instanțe, pentru a genera scoruri de predicție specifice țesutului. Aceste scoruri au fost integrate cu variabile clinice pentru a construi modele predictive specifice pentru fiecare compartiment. Cadrele au fost antrenate pe cohorta Yale Response și validate extern pe setul de date independent IMPRESS HER2+, pentru a evalua sistematic contribuția diferitelor compartimente tisulare și combinații de caracteristici la predicția răspunsului la tratament.
Acest cadru ierarhic specific țesuturilor a demonstrat o performanță predictivă puternică pentru răspunsul la chimioterapia neoadjuvantă în cancerul mamar HER2-pozitiv, cu diferențe clare între compartimentele tisulare. Compartimentul stromal a obținut cea mai bună performanță, atingând un AUC de 0.907 în cohorta de validare externă, depășind metodele raportate anterior, precum și modelele bazate doar pe variabile clinice, scoruri de învățare profundă sau caracteristici simple de numărare a țesuturilor. Acest lucru sugerează că stroma, dincolo de tumoră în sine, conține semnale foarte informative legate de răspunsul la tratament.
În general, integrarea caracteristicilor structurale spațiale, a caracteristicilor semantice profunde și a variabilelor clinice a generat în general predicții mai stabile și mai precise decât orice sursă de caracteristici utilizată individual. Caracteristicile grafice spațiale derivate din analiza rețelelor sociale au arătat o valoare predictivă puternică independentă în mai multe compartimente, și în compartimentul stromal, acestea au depășit chiar scorurile de învățare profundă și variabilele clinice, subliniind organizația spațială a țesuturilor ca un indicator important al răspunsului. Analiza suplimentară a caracteristicilor a relevat, de asemenea, modele specifice compartimentelor: compartimentul tumoral s-a bazat mai mult pe informațiile semantice profunde, în timp ce compartimentele stromale și cele legate de imunitate au beneficiat mai mult de caracteristicile structurale spațiale.
Aceste rezultate arată că modelarea ierarhică specifică țesuturilor poate capta mai eficient heterogenitatea legată de tratament în microambientul tumoral, comparativ cu tratarea întregului slide ca o imagine nediferențiată. Această lucrare prezintă o modalitate mai fundamentată biologic și mai interpretabilă de a analiza imaginile de patologie, trecând peste predicțiile tip black-box bazate pe întregul slide și modelând separat compartimentele tumorale, stromale și cele legate de imunitate, integrând apoi structura spațială, informațiile semantice profunde și variabilele clinice pentru a prezice răspunsul la chimioterapia neoadjuvantă în cancerul mamar HER2-pozitiv. Rezultatele sugerează că semnalele cele mai informative nu sunt limitate doar la tumoră, deoarece compartimentele stromale și cele imune conțin, de asemenea, informații substanțiale legate de răspunsul la tratament, performanța puternică a compartimentului stromal subliniind în continuare importanța organizației spațiale în microambientul tumoral.
Valoarea acestui studiu constă nu doar în îmbunătățirea acurateței predictive, ci și în oferirea unui cadru mai explicabil pentru utilizarea slide-urilor H&E de rutină în sprijinul deciziilor clinice, sugerând că modelarea ierarhică specifică țesuturilor ar putea deveni un pod important între patologia digitală și planificarea tratamentului.
