Integrative digital pathology for personalized medicine: population stratification and early biomarkers findings, consolidating and completing the use of Prostate-Specific Antigen (PSA) and Gleason Score in prostate cancer

• Autor: Marin, Laura Elise
• Formato: tesis doctoral
• Fecha de Publicación: 2024
• Institución: Pontificia Universidad Católica del Perú
• Repositorio: PUCP-Tesis
• Lenguaje: inglés
• OAI Identifier: oai:tesis.pucp.edu.pe:20.500.12404/30392
• Enlace del recurso: http://hdl.handle.net/20.500.12404/30392
• Nivel de acceso: acceso abierto
• Materia: Próstata--Cáncer; Biomarcadores; Aprendizaje automático (Inteligencia artificial); Fenotipo; Genoma humano; https://purl.org/pe-repo/ocde/ford#2.00.00

El cáncer de próstata, aunque es el segundo cáncer más común en los hombres, no tiene biomarcadores establecidos para predecir el riesgo de recaída y el riesgo de presentar recurrencia bioquímica. Una comprensión más profunda del comportamiento de los tejidos proporcionada por técnicas moleculares puede mejorar la capacidad de pronosticar la probabilidad de recurrencia. Basándose en datos sólidos y correctamente anotados disponibles de grandes cohortes internacionales de pacientes, y en el procesamiento exhaustivo de datos de información fenotípica y genómica, este trabajo propuso y evaluó el papel de los biomarcadores tempranos de recurrencia. Además, se incluyó en el análisis información clínica asociada a datos estructurales y moleculares del tejido para proporcionar una comprensión más profunda del microentorno del cáncer de próstata. Por lo tanto, se entrenaron modelos de aprendizaje profundo para segmentar características morfológicas de imágenes de diapositivas completas, descargadas de repositorios disponibles públicamente. Las características segmentadas estaban asociadas a la proliferación celular, la estructura de la luz y la arquitectura de la región tumoral. A continuación, se predijo el riesgo de presentar recurrencia se predijo entonces mediante algoritmos de aprendizaje automático a partir de las características tisulares mencionadas, y se analizó el papel de la puntuación de Gleason. Al mismo tiempo, se introdujeron en los modelos niveles de expresión genómica pre-procesados para recuperar un subconjunto de genes responsables de la recurrencia. Los resultados indican que, tras la inspección de los biomarcadores, la organización de la matriz extracelular se ha asociado con el riesgo de presentar recurrencia. Además, se establecieron los niveles de PSA como información crítica a la hora de detectar la recurrencia. Los algoritmos de aprendizaje automático entrenados en el genoma y el fenotipo clasificaron a los pacientes con una precisión media del 79 % y el 69,7 %, respectivamente, cuando la recurrencia bioquímica se produjo hasta 22 meses después de su tratamiento final, lo que demuestra que el riesgo de presentar recurrencia bioquímica puede predecirse con éxito cuando se integra la información clínica, fenotípica y genómica.