El aprendizaje automático pronto podría ayudar a los médicos a determinar el origen de los cánceres sin origen conocido.
La mayoría de los tumores eliminan células continuamente; muchos mueren, pero algunos sobreviven, circulan por todo el cuerpo, se asientan en otros lugares y forman nuevos tumores metastásicos. Para tratar eficazmente a los pacientes con cáncer metastásico, los médicos deben determinar de dónde proceden originalmente estas células, pero en tres a cinco por ciento de los casos un estudio de diagnóstico estándar no lo logra.1 Esta enfermedad se llama cáncer de origen primario desconocido (CUP, por sus siglas en inglés) y el pronóstico para quienes lo padecen suele ser desalentador. En estos casos, los médicos eligen las terapias según el sitio original más probable del cáncer, pero pueden elegir incorrectamente. Alternativamente, pueden utilizar tratamientos más amplios que sean menos efectivos y tengan más efectos secundarios en comparación con los específicos. Como resultado, estos cánceres a menudo progresan rápidamente y la supervivencia del paciente es sólo seis a 16 meses.2
Intae Moon, estudiante de doctorado en el Instituto de Tecnología de Massachusetts (MIT) y el Instituto del Cáncer Dana-Farber en Alejandro GusevEl laboratorio de, quería encontrar una manera de diagnosticar fácilmente el sitio primario de CUP. La secuenciación de próxima generación (NGS) puede identificar las mutaciones de un tumor y ayudar a determinar el tipo de cáncer, pero la cantidad de datos de mutaciones generados puede ser demasiado grande para que un médico los examine durante un diagnóstico inicial. Por lo tanto, los médicos suelen utilizar NGS sólo después de identificar el tipo de cáncer para identificar mutaciones específicas para terapias dirigidas. La NGS tampoco ha sido bien investigada para el diagnóstico clínico y el pronóstico de la CUP. Para abordar esto, Moon y sus colegas desarrollaron un modelo de aprendizaje automático llamado OncoNPC (Clasificador primario de tipos de cáncer basado en NGS de oncología) para examinar de manera eficiente grandes cantidades de datos de mutaciones complejas.3 El estudio, publicado en Medicina de la naturalezautiliza un algoritmo llamado XGBoost, que se acerca a partes del ADN para buscar patrones de mutaciones genéticas más relacionadas con varios tipos de cáncer.
Utilizando datos NGS de 36.445 muestras de tumores con cánceres primarios conocidos, los investigadores ejecutaron OncoNPC para buscar mutaciones genéticas, alteraciones del número de copias y firmas mutacionales. El modelo también incluyó la edad del paciente y el sexo biológico de sus registros médicos electrónicos. El equipo entrenó el modelo con datos de tres centros oncológicos diferentes en los EE. UU. para vincular ciertas firmas genéticas con uno de los 22 tipos de cáncer diferentes. Después del entrenamiento, probaron OncoNPC con datos que previamente eliminaron de la secuencia de entrenamiento. “OncoNPC logró identificar correctamente los orígenes de tumores conocidos alrededor del 80 por ciento de las veces”, dijo Moon en un correo electrónico. “Cuando nos centramos en predicciones de alta confianza, que representaban alrededor del 65 por ciento de todos los casos, la precisión del modelo saltó a un impresionante 95 por ciento”, aunque fue un poco menos preciso con los cánceres raros.
Luego, los investigadores aplicaron OncoNPC a tumores de 971 pacientes con CUP que fueron tratados en el Instituto del Cáncer Dana-Farber. OncoNCP clasificó el 41,2 por ciento de los tumores CUP con alta confianza. El equipo también examinó y determinó qué características genéticas eran más destacadas para identificar cada tipo de cáncer, información que es clínica y biológicamente valiosa dada la naturaleza misteriosa de los tumores CUP.
Debido a que se desconocían las ubicaciones reales de los sitios del tumor primario, la precisión del modelo se determinó comparando los resultados con los datos NGS de cada persona para ver si tenían una predisposición genética a un determinado tipo de cáncer. Los investigadores encontraron que las predicciones del modelo coincidían estrechamente con el tipo de cáncer indicado con más fuerza por estas mutaciones hereditarias.
Para ver si tratar a un paciente según las predicciones de OncoNPC aumentaría su supervivencia, el equipo examinó retrospectivamente a 158 pacientes con CUP que recibieron su primer tratamiento en Dana-Farber. Un oncólogo certificado revisó manualmente los historiales de los pacientes para ver si fueron tratados de acuerdo con las predicciones del tipo de cáncer de OncoNPC. Los investigadores encontraron que los pacientes con CUP cuyo primer tratamiento paliativo (basado en la suposición fundamentada de su médico) estaba en línea con su predicción de OncoNPC tuvieron una supervivencia significativamente mejor que aquellos que no fueron tratados de acuerdo con OncoNPC.
Los investigadores esperan ampliar el modelo para trabajar con más pacientes y cánceres. “Si bien el modelo mostró un rendimiento decente para pacientes de otros orígenes étnicos, reconocemos la necesidad de realizar investigaciones más profundas para confirmar que es eficaz en una amplia gama de pacientes”, dijo Moon. Además, el modelo buscó sólo los 22 tipos de cáncer más comunes; si el CUP proviene de otro sitio, el modelo no pudo identificarlo.
Aún así, OncoNPC pronto podría ayudar a los médicos a tomar decisiones de tratamiento difíciles. “Si un hospital utiliza la secuenciación de tumores NGS, debería poder incorporarla como fuente adicional de información para el oncólogo”, dijo el autor principal del estudio, Alexander Gusev, en un correo electrónico.
“Lo que es único en este artículo es que utilizaron datos de pruebas de rutina que se utilizan en la clínica”, dijo Edwin Cuppen, biólogo especializado en cáncer del Centro Médico Universitario de Utrecht, que no participó en este estudio. “Estos son una clase separada de tumores. No entendemos qué hace que estos tumores sean atípicos, pero sí sabemos que el pronóstico de estos pacientes suele ser mucho peor. Por tanto, una predicción para una gran parte de los pacientes es un gran paso adelante”.
Referencia:
- Pavlidis N, Fizazi K. Carcinoma de primario desconocido (CUP). Rev crítico Oncol/Heamtol. 2009;69(3):271-8.
- Varadhachary GR, Raber MN. Cáncer de sitio primario desconocido. N Engl J Med. 2014;371(8):757-65.
- Luna I, et al. Aprendizaje automático para la clasificación basada en genética y la predicción de la respuesta al tratamiento en cáncer de origen primario desconocido. Medicina de la naturaleza. 2023;29:2057-2067.