Traducido del inglés al español - www.onlinedoctranslator.

com

Acta Pharmaceutica Sínica B 2021;11(11):3393mi3405

Asociación farmacéutica china

Instituto de Materia Médica, Academia China de Ciencias Médicas

Acta Pharmaceutica Sínica B

www.elsevier.com/locate/apsb
www.sciencedirect.com

REVISAR

Aplicación de inteligencia artificial a la inmunoterapia

contra el cáncer

Zhijie Xua,y, Xiang Wangb,y, ShuangshuangZengb, Xinxin Rend,

Yuanliang Yanb,C,*, Zhicheng Gongb,C,*

aDepartamento de Patología, Hospital Xiangya, Universidad Central Sur, Changsha 410008, China
bDepartamento de Farmacia, Hospital Xiangya, Universidad Central Sur, Changsha 410008, China
CInstituto de Prácticas Racionales y Seguras de Medicamentos, Centro Nacional de Investigación Clínica para Trastornos
Geriátricos, Hospital Xiangya, Universidad Central Sur, Changsha 410008, China
dCentro de Medicina Molecular, Hospital Xiangya, Laboratorio Clave de Oncología Radioterápica Molecular de la Provincia de
Hunan, Universidad Central Sur, Changsha 410008, China

Recibido el 6 de octubre de 2020; recibido en forma revisada el 7 de diciembre de 2020; aceptado el 21 de diciembre de 2020

PALABRAS CLAVE AbstractoLa inteligencia artificial (IA) es un término general que se refiere al uso de una máquina para imitar un
comportamiento inteligente para realizar tareas complejas con una mínima intervención humana, como el aprendizaje
Inteligencia artificial;
automático; Esta tecnología está revolucionando y remodelando la medicina. La IA tiene un potencial considerable para
Inmunoterapia contra el cáncer;
perfeccionar los sistemas de atención sanitaria en áreas como el diagnóstico, el análisis de riesgos, la administración de
Aprendizaje automático;
información sanitaria, la supervisión del estilo de vida y la asistencia sanitaria virtual. En términos de inmunoterapia, la IA se ha
Diagnóstico
aplicado a la predicción de respuestas de inmunoterapia basadas en firmas inmunes, imágenes médicas y análisis histológicos.
Estas características también podrían ser muy útiles en el manejo de la inmunoterapia contra el cáncer dado su rendimiento
cada vez mayor para mejorar la precisión del diagnóstico, optimizar la planificación del tratamiento, predecir los resultados de
la atención y reducir los costos de recursos humanos. En esta revisión, presentamos los detalles de la IA y la progresión actual y
el estado del arte en el empleo de IA para la inmunoterapia contra el cáncer. Además, discutimos los desafíos, oportunidades y
estrategias correspondientes en la aplicación de la tecnología.

Abreviaturas:IA, inteligencia artificial; TC, tomografía computarizada; CTLA-4, antígeno 4 asociado a linfocitos T citotóxicos; DL, aprendizaje profundo; ICB, bloqueo de puntos
de control inmunológico; irAE, eventos adversos relacionados con el sistema inmunológico; MHC-I, complejo mayor de histocompatibilidad clase I; ML, aprendizaje automático;
MMR, reparación de desajustes; MRI, resonancia magnética; PD-1, proteína 1 de muerte celular programada; PD-L1, ligando 1 de PD-1; TNBC, cáncer de mama triple negativo;
Ecografía, ecografía.
*Autores correspondientes.
Correos electrónicos:yanyuanliang@csu.edu.cn (Yuanliang Yan),gongzhicheng@csu.edu.cn (Zhicheng Gong).
yEstos autores hicieron contribuciones iguales a este trabajo.
Revisión por pares bajo la responsabilidad de la Asociación Farmacéutica China y el Instituto de Materia Médica de la Academia China de Ciencias Médicas.

https://doi.org/10.1016/j.apsb.2021.02.007
2211-3835ª2021 Asociación Farmacéutica China e Instituto de Materia Médica, Academia China de Ciencias Médicas. Producción y alojamiento por
Elsevier BV Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND (http://creativecommons.org/licenses/by-nc-nd/4.0/).
3394
para un despliegue clínico generalizado. Finalmente, resumimos el impacto de la IA en la inmunoterapia contra el cáncer y
brindamos nuestras perspectivas sobre las aplicaciones subyacentes de la IA en el futuro.
ª2021 Asociación Farmacéutica China e Instituto de Materia Médica, Academia China de Ciencias Médicas.
Producción y hosting por Elsevier BV Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND
1. Introducción
Con el creciente desarrollo de la biotecnología y los continuos avances en la
caracterización de los mecanismos moleculares de los tumores, la
inmunoterapia desempeña ahora un papel fundamental en el tratamiento del
cáncer, además de la quimioterapia, la radioterapia y la cirugía estándar. La
inmunoterapia contra el cáncer puede utilizar el propio sistema inmunológico
del paciente para tratar el cáncer, lo que se ha considerado como la primera
estrategia ampliamente exitosa para varios tipos de cáncer.1,2. Los puntos de
control inmunológico son una clase de receptores inhibidores y vías de
señalización supresoras que los tumores aprovechan para bloquear la función
de los linfocitos T y así participar en el escape inmunológico. Actualmente, la
proteína de muerte celular programada 1 (PD-1), el ligando 1 de PD-1 (PD-L1) y
el antígeno 4 asociado a linfocitos T citotóxicos (CTLA-4) son las moléculas de
punto de control dominantes. En los últimos años, se han logrado avances
prometedores en el empleo de la inmunoterapia en la clínica, incluidos
inhibidores de puntos de control inmunitarios, terapias con células T con
receptores de antígenos quiméricos, vacunas contra tumores e inmunoterapia
adoptiva.3. Los fármacos de inmunoterapia, como nivolumab (anti-PD-1),
atezolizumab (anti-PD-L1) e ipilimumab (anti-CTLA-4), han provocado una
creciente preocupación por su profunda actividad antitumoral.4. Sin embargo,
la tasa de respuesta objetiva a estas terapias varía mucho entre los distintos
pacientes. Además, el alto costo de estos tratamientos y la alta incidencia de
enfermedades autoinmunes, como los eventos adversos relacionados con el
sistema inmunológico (IRAE), son las principales limitaciones de la
inmunoterapia que deben abordarse.5. Por lo tanto, la satisfacción clínica con
la inmunoterapia podría mejorarse mejorando su precisión diagnóstica e
identificando a los pacientes con mayor probabilidad de responder a los
fármacos, además de monitorear los resultados del tratamiento.
La base de la inteligencia artificial (IA) se estableció por primera vez en una
conferencia de Dartmouth hace sesenta años y se creó para utilizar la
tecnología para completar trabajos que incluían tomar decisiones, interpretar
el lenguaje y aplicar la percepción visual que frecuentemente requerían
inteligencia humana. En particular, los proveedores de servicios de tecnología
de IA han surgido con cada vez más frecuencia en el mercado, lo que ha
permitido que los algoritmos de imágenes de dominio vertical y el
procesamiento del lenguaje natural cumplan con los requisitos de la industria
médica y han creado un punto caliente para la aplicación de la IA en la
medicina.6. Con la acumulación de datos y resultados relacionados, los
enfoques de IA permiten que las computadoras mejoren progresivamente en
la realización de una tarea específica y luego generen sistemas de apoyo a la
toma de decisiones, lo que resulta prometedor en su precisión para distinguir
diversas puntuaciones inmunohistoquímicas, subtipos de cáncer y
biomarcadores.7. Además, tal como Thompson et al.8Como se predijo, la IA,
con su tecnología informática avanzada, puede tener el potencial de
reconstruir la especialidad minimizando errores y mejorando parámetros
como la especificidad del tratamiento de los pacientes y la regulación
dosimétrica.
Aunque la inmunoterapia es un gran avance en el campo del
tratamiento del cáncer, en ocasiones resulta confuso juzgar si un
paciente en particular puede responder a la terapia. Sin embargo, la
aparición de la IA aumenta las posibilidades de éxito en el cáncer
Zhijie Xu et al.
(http://creativecommons.org/licenses/by-nc-nd/4.0/).
inmunoterapia mediante la predicción del efecto terapéutico basado en el
establecimiento de puntuaciones predictivas de inmunoterapia, incluidos
inmunoscore e inmunofenoscore9. Estos dos sistemas de puntuación se
desarrollaron para predecir la respuesta a la terapia de bloqueo de puntos de
control inmunológico (ICB). Mientras tanto, algunas limitaciones, como el
poder predictivo desconocido de los biomarcadores individuales, la dificultad
de integrar diversos biomarcadores en un solo sistema y la falta de modelos
de predicción de respuesta de ICB que puedan integrar diferentes
biomarcadores, son las principales barreras que justifican más estudios. Un
estudio anterior demostró que la integración de un algoritmo de diagnóstico
basado en IA con las interpretaciones de los médicos puede estar relacionada
positivamente con la mejora de la precisión del diagnóstico para subtipos de
cáncer indiscernibles.7. La tecnología de IA obtiene aproximadamente un
91,66 % de precisión al reconocer patrones del complejo principal de
histocompatibilidad (MHC) asociados con la respuesta a la inmunoterapia10.
Más importante aún, la IA se puede aplicar para estandarizar las evaluaciones
en todas las instituciones en lugar de depender de la interpretación de los
médicos, que en ocasiones es inherentemente subjetiva.11,12. Por lo tanto, la
aplicación de la IA en la inmunoterapia contra el cáncer puede conducir a
resultados positivos en los pacientes (Figura 1ytabla 1).
En esta revisión, analizamos principalmente las funciones críticas de la IA
en la inmunoterapia contra el cáncer, así como sus ventajas y limitaciones.
Además, predecimos el impacto de la IA en la inmunoterapia contra el cáncer
y brindamos nuestra opinión sobre una mejor aceptación de la IA en el futuro.
2. Definición de IA en medicina
En el marco de esta revisión, la IA se refiere a la capacidad de una máquina
para funcionar sola y modelar ciertos procesos de pensamiento y
comportamientos inteligentes de los humanos al realizar una acción para
lograr una meta predeterminada en respuesta a su entorno percibido; sin
embargo, cabe señalar que actualmente existen múltiples definiciones.
Generalmente, la IA es el proceso de construcción de modelos con excelentes
resultados en el entrenamiento y prueba de conjuntos de datos mediante la
combinación de algoritmos computarizados y datos de alto rendimiento.32.
Utilizando la radiómica como ejemplo, el proceso incluye tres aspectos. El
primer paso suele implicar la segmentación de la lesión, que normalmente se
lleva a cabo mediante los pasos de preprocesamiento de la imagen que
abarcan la extracción del cráneo, la normalización de la intensidad y la
alineación de los volúmenes de la imagen de diferentes modalidades.33.
Actualmente, se han aplicado varios métodos para la segmentación, incluida la
anotación y/o etiquetado manual, métodos semiautomáticos y métodos de
aprendizaje profundo (DL).34,35. El siguiente paso de la radiómica se refiere a la
extracción de características cuantitativas, que contienen métricas básicas de
tamaño, forma, intensidad y algunas características más complejas obtenidas
de varios métodos estadísticos utilizados para imágenes, por ejemplo,
características basadas en texturas, características DL, patrones espaciales,
modelos biofísicos ajustados y características basadas en histogramas36.
Luego, se pueden utilizar varios modelos diferentes de aprendizaje automático
(ML) en características cuantitativas intermedias para "extraerlas" en busca de
conexiones críticas, lo que les permitirá pronosticar información importante
sobre el tumor, como
Inteligencia artificial para la inmunoterapia contra el cáncer
Figura 1 Cronología de descubrimientos clave de aplicaciones de IA en inmunoterapia contra el cáncer. Eventos emblemáticos y avances en la aplicación de la IA
Tecnología en respuesta inmunoterapéutica al cáncer. IA, inteligencia artificial; CNN, red neuronal convolucional; TC, tomografía computarizada; DL, aprendizaje
profundo; ICB, bloqueo de puntos de control inmunológico; MHC-I, complejo mayor de histocompatibilidad clase I; ML, aprendizaje automático; MRI, resonancia
magnética; TNBC, cáncer de mama triple negativo.
marcadores moleculares, infiltraciones de márgenes tumorales y pronóstico,
que están relacionados con la toma de decisiones de tratamiento37. Según la
información anterior, la IA es buena para identificar patrones complejos en
datos de alto rendimiento y puede ofrecer una evaluación cuantitativa de
forma automatizada. Por lo tanto, se podrán establecer evaluaciones más
precisas y repetibles cuando la IA se integre en el flujo de trabajo clínico como
método para ayudar a los médicos.38.
ML, un subcampo de la tecnología de IA, puede ajustar los parámetros de un
modelo basándose en grandes cantidades de datos de entrenamiento ejemplares
mediante el empleo de métodos estadísticos en lugar de programarse
explícitamente.39. Según sus características, el ML se puede clasificar en técnicas
basadas en características artesanales y no artesanales, y el aprendizaje supervisado,
no supervisado y por refuerzo son tres ejemplos.40. Las técnicas artesanales de
aprendizaje automático basadas en características pueden extraer numerosas
características explícitas, como aquellas basadas en lo que los médicos suelen buscar
en sus procesos de diagnóstico o decisión, que están preespecificadas en el conjunto
de datos. Utilizando métodos heurísticos que se basan en algoritmos desarrollados y
comprendidos, como la detección de bordes en el procesamiento de imágenes o
señales médicas, estas técnicas de aprendizaje automático pueden cuantificar la
información de manera automatizada a partir de las muestras.39. Sin embargo, las
técnicas de aprendizaje automático basadas en características no artesanales
pueden gestionar los datos médicos sin procesar y luego ajustarlos para extraer sus
propias características más allá del etiquetado distinto del conjunto de datos para
mejorar el error de predicción u otras medidas del rendimiento de la clasificación.
Por ejemplo, los métodos DL notablemente
3395
mejorar el estado del arte en análisis de imágenes médicas, genómica e
inmunología41. El aprendizaje supervisado depende de conjuntos de datos
específicos que han sido etiquetados por expertos y algoritmos, como
máquinas de vectores de soporte, clasificación Naive Bayes y bosques
aleatorios. Estos algoritmos están entrenados para medir la diferencia entre
las etiquetas conocidas y las etiquetas predichas, lo que finalmente optimiza el
error de las respuestas clínicas.42. Por el contrario, el aprendizaje no
supervisado, como el análisis de componentes principales, la agrupación de k-
medias y los codificadores automáticos, divide las muestras clínicas en
diferentes clases según las características de los datos de entrenamiento
únicamente sin las etiquetas correspondientes.43. Además, el aprendizaje por
refuerzo, incluido el aprendizaje por refuerzo basado en modelos y sin
modelos, se puede realizar para predecir las características clínicas detalladas
en el futuro, basándose en los síntomas clínicos pasados y presentes
predichos maximizando el rendimiento esperado en cada etapa.44. En
conclusión, la IA se utiliza ampliamente en el campo médico y su aparición
proporciona mejores servicios médicos a los pacientes.
3. Firmas inmunes basadas en IA
La inmunoterapia contra el cáncer es un proceso de restauración de la respuesta
inmune antitumoral normal del cuerpo para controlar y eliminar los tumores
mediante el reinicio del ciclo inmune del tumor, incluida la liberación y presentación
del antígeno tumoral, la activación de las células T efectoras y la migración.
 3396
tabla 1 Aplicación de tecnologías basadas en IA en la inmunoterapia del cáncer.

Campo médico Biomarcador Tarea Resultado Tumor Tipo de inmunoterapia Árbitro.

Hematología Inmunogenómica Identificación de los determinantes del tumor. Positivo 20 tumores sólidos BPI 13
inmunogenicidad y cuantificar el denominado
inmunofenoscore
Hematología Presentación de péptidos por MHC-I Péptidos de identificación presentados por MHC-I Positivo 9 tipos diferentes de cáncer 4 Vacuna tumoral 14
Hematología RNA-seq y datos de imágenes. Caracterizan la inmunidad tumoral Positivo Tumores sólidos N/A 15
microambiente
Hematología Perfiles de infiltración de células inmunes y Explore las células inmunes y el sistema inmunológico. Positivo Cáncer colonrectal N/A dieciséis

genes relacionados con el sistema inmunológico expresión génica relacionada Discernimiento antígeno
Hematología Epítopos de células T específicos de tumores TCRV tumoral Epítopos de células T Reconocimiento TCRV derivado N/A Melanoma N/A 17
Hematología infiltrante de tumoresgramo9Vd2!dios de sangregramo9Vd2! N/A 50 tipos de sólidos y N/A 18
linfocitos dioslinfocitos hematológico
neoplasias malignas

Hematología inmunogenómico Clasificación de la mama triple negativa. Positivo TNBC BPI 19

Perfilado cáncer
Radiología radiográfico Descripción de cada lesión en el Positivo NSCLC BPI 20
Características datos de imágenes de TC con contraste previo al Melanoma
tratamiento
Radiología Características de resonancia magnética del nivel Evaluación Infiltración tumoral de células CD8 Positivo Tumores sólidos avanzados BPI 21
Radiología de infiltración de células CD8 Gestión de más capas de datos y formularios N/A Cancer de prostata N/A 22
de datos
Radiología Características radiómicas Predicción de características radiómicas Segmentación N/A NSCLC N/A 23
Radiología Funciones basadas en imágenes de TC volumétrica de tumores de pulmón y Positivo NSCLC BPI 24
seguimiento longitudinal preciso de los cambios de
volumen del tumor
Radiología Firma basada en imágenes Diferenciar la metástasis hipofisaria de Positivo N/A BPI 25
Hipofisitis inducida por ICB
Patología estado de MMR Predicción del estado de MMR Positivo Cáncer gastrointestinal 13 BPI 26
Patología Mapas de linfocitos infiltrantes de tumores. Extracción de información sobre la probabilidad de Positivo tipos diferentes de cáncer BPI 27
Infiltración de linfocitos infiltrantes de tumores Exploración de

Patología Información fenotípica las interacciones de las células inmunitarias tumorales Positivo Melanoma BPI 28
dentro del microambiente del tumor
Otro Compuesto orgánico volátil Detección de compuestos orgánicos volátiles Positivo NSCLC BPI 29
patrones en el aliento exhalado
Otro Expresión genética y metilación del ADN. Desentrañar la interacción entre genes Positivo Glioblastoma BPI 30
expresión y metilación del ADN Imitación del
Otro Perfiles de vacunación comportamiento del crecimiento tumoral en Positivo fibrosarcoma Vacuna tumoral 31
inmunoterapia basada en células dendríticas

TC, tomografía computarizada; ICB, bloqueo de puntos de control inmunológico; MHC-I, complejo mayor de histocompatibilidad clase I; MMR, reparación de desajustes; MRI, resonancia magnética; NSCLC, cáncer de pulmón de células no pequeñas;
TNBC, cáncer de mama triple negativo.

Zhijie Xu et al.
Inteligencia artificial para la inmunoterapia contra el cáncer
Figura 2 La IA proporciona estrategias novedosas y prometedoras para la evaluación de numerosas firmas inmunes. Las tecnologías basadas en IA se pueden utilizar para
identificar y cuantificar múltiples aspectos de firmas inmunoasociadas, que están estrechamente relacionadas con la respuesta inmunoterapéutica del cáncer. IA,
inteligencia artificial; CTLA-4, antígeno 4 asociado a linfocitos T citotóxicos; MHC, complejo mayor de histocompatibilidad; PD-1, proteína 1 de muerte celular
programada; PD-L1, ligando 1 de PD-1; TCR, receptor de células T.
e infiltración de células T en tejidos tumorales y, finalmente, reconocimiento y
eliminación de células tumorales por parte de las células T.45mi47. Aunque numerosas
firmas inmunes están relacionadas con la capacidad de respuesta inmunoterapéutica
del cáncer, el método utilizado para la identificación y cuantificación de firmas es un
desafío importante. Sin embargo, los avances en IA han proporcionado una
estrategia novedosa y prometedora para esta investigación (Figura 2). Utilizando un
enfoque de ML, Charoentong et al.13identificó los determinantes de la
inmunogenicidad tumoral y cuantifica el inmunofenoscore, un predictor distintivo
para reconocer la respuesta al tratamiento con anti-PD-L1 y CTLA-4, con un esquema
de puntuación establecido. Boehm et al.14crearon clasificadores de bosque aleatorios
para identificar péptidos presentados por el complejo principal de
histocompatibilidad de clase I (MHC-I), no solo para mejorar nuestra comprensión de
la inmunopeptidomia sino también para aplicar esta información a las predicciones
de unión de neoantígenos para la inmunoterapia contra el cáncer. Los modelos
neuronales desarrollados por Reiman et al.15caracterizó con precisión el
microambiente inmune a tumores de tumores sólidos colorrectales, de mama, de
pulmón y de páncreas, que es esencial para la respuesta de los pacientes a la
inmunoterapia contra el cáncer, mediante la integración de RNA-Seq y datos de
imágenes en un entorno clínico. La infiltración de tipos de células inmunitarias en el
microambiente tumoral y la expresión de genes relacionados con el sistema
inmunitario en el cáncer colorrectal se analizaron utilizando un algoritmo de
deconvolución denominado identificación del tipo de célula mediante la estimación
de subconjuntos relativos de transcripciones de ARN.dieciséis. Además, las redes
neuronales artificiales basadas en ML nos permiten discernir los epítopos de células
T de antígenos tumorales del melanoma.
3397
pacientes, que son cruciales para la inmunoterapia personalizada contra el
cáncer. Además, el método de ML para la deconvolución de microarrays
completa la tarea de reconocer el TCRV derivado de la sangre.gramo9Vd2!
dioslinfocitos y evaluar su abundancia como linfocitos infiltrantes de tumores
en 50 tipos de neoplasias malignas sólidas y hematológicas, que representan
efectores prometedores para la inmunoterapia contra el cáncer.17,18. Se
utilizaron métodos de ML supervisados y no supervisados para realizar la
clasificación del cáncer de mama triple negativo (TNBC) en función de la
capacidad de las firmas inmunes para la estratificación óptima de los
pacientes con TNBC con respecto a si responderán a la inmunoterapia, como
anti-PD-1/ PD-L119. Además, los enfoques no supervisados son capaces de
estratificar el cáncer de mama luminal-A en cinco subtipos basándose en
firmas heterocelulares asociadas al cáncer y el enriquecimiento de genes de
puntos de control inmunológico y otros tipos de células inmunes, lo que indica
su posible respuesta a la inmunoterapia contra el cáncer.48. Además, ciertas
características genómicas o genéticas, como la expresión de PD-L1, la
reparación deficiente de errores de coincidencia del ADN, la carga de
neoantígenos y la carga de mutaciones tumorales, también son relevantes
para las respuestas inmunoterapéuticas que podrían investigarse más a fondo
y combinarse en una aplicación de IA.49mi51. El cálculo de biomarcadores
genómicos o genéticos es sencillo; además, sus valores pueden identificarse
fácilmente a partir de datos de alto rendimiento.
Los neoantígenos son péptidos recién formados producidos por mutaciones
somáticas que pueden inducir el reconocimiento de células T específicas de tumores,
que pueden usarse para desarrollar inmunoterapia personalizada para
3398
figura 3 La aplicación de tecnologías basadas en IA en inmunoterapia y sus posibles consecuencias clínicas. La IA ha servido sorprendentemente como
método desarrollado durante la búsqueda de la inmunoterapia contra el cáncer asistida por computadora. Mediante el análisis de datos clínicos en imágenes, histopatología,
etc., se pueden utilizar metodologías avanzadas de IA para proporcionar pistas efectivas sobre la respuesta a la inmunoterapia en la práctica clínica. IA, inteligencia artificial.
tratamiento para el cáncer52,53. En general, los neoantígenos potenciales se
pueden predecir según varios pasos, incluida la identificación de mutaciones
somáticas, la tipificación del antígeno leucocitario humano (HLA), el
procesamiento de péptidos y la predicción de la unión de péptido-MHC.53.
Recientemente, la llegada de la IA proporciona otro enfoque prometedor para
identificar con precisión los neoantígenos. Se pueden aplicar modelos basados
en ML para predecir la unión de péptidos a alotipos específicos de HLA de
clase I. En consecuencia, Mei et al.54descubrió que los algoritmos basados en
ML pueden mejorar la precisión de la predicción de péptidos inmunogénicos
mediante la integración de propiedades de unión a HLA con varias
características inmunoasociadas, como el transporte de péptidos al retículo
endoplásmico, la susceptibilidad a la escisión del proteasoma y el repertorio
de receptores de células T. Además, algunos algoritmos de predicción de
unión de péptido-MHC desempeñan un papel esencial en el campo de la
predicción de neoepítopos.55,56. Por ejemplo, MHCflurry, un software de
código abierto para la predicción de la unión del MHC I, se desarrolló
recientemente para generar predicciones separadas para la afinidad de unión
de los epítopos del MHC I y sus ligandos peptídicos.57. Mientras tanto, se han
realizado redes neuronales artificiales con mayor precisión para adquirir la
relación no lineal entre la secuencia peptídica y la afinidad de unión de
moléculas MHC homólogas.58. Aunque se ha confirmado la importancia
biológica de las tecnologías basadas en IA en la predicción de neoepítopos, el
mayor desarrollo de algoritmos impulsados por IA para la identificación
definitiva de neoantígenos requiere esfuerzos más concertados en la práctica
clínica.
4. IA para predecir las respuestas a la inmunoterapia
Hasta la fecha, lo más notable es la aplicación exitosa de la IA en inmunoterapia en la
investigación del cáncer (Fig. 3). El aprendizaje automático puede igualar el ritmo de
la medicina moderna en lo que respecta a los datos generados y la detección de
variedades fenotípicas que se cuelan en el análisis humano.59. El rango de detección
de la máquina también se puede ajustar para detectar solo cambios de fenotipo
interesados o para detectar fenotipos más amplios. Actualmente, los métodos
basados en IA han mostrado buenos resultados en la predicción de epítopos de
MHC-II en función de la fuerza.
Zhijie Xu et al.
de secuencias de aminoácidos y el desarrollo de vacunas
dirigidas al inmunopeptidoma MHC-II60,61, que demuestran la
aplicación cada vez más amplia de la IA en inmunoterapia.
4.1. Análisis de imágenes basado en IA
Las imágenes médicas son un proceso tecnológico que crea representaciones
visuales del interior de un cuerpo, y esta tecnología se utiliza en la práctica
clínica y en la investigación.es decir,tomografía computarizada (CT) y
resonancia magnética (MRI)62,63. Las descripciones notablemente complejas de
tumores y ganglios linfáticos y las largas tareas realizadas por los oncólogos
radioterapeutas generan obstáculos para la radioterapia eficaz y el
seguimiento de los efectos del tratamiento.64. Sin embargo, con la creciente
aplicación de la IA en imágenes médicas, se pueden adquirir datos de
imágenes de alta dimensión para mostrar características macroscópicas,
moleculares y celulares. Las imágenes médicas basadas en IA ofrecen ventajas
al ahorrar tiempo y disminuir la variación entre observadores, lo que podría
mejorar los flujos de trabajo actuales en radiología, incluidos los diagnósticos
que impactan directamente, la estandarización de múltiples imágenes, la
mejora de la calidad de las imágenes, la extracción de bases de datos para
estudios, índices basados en contenido e informes de generación y
semánticos. etiquetado de erroressesenta y cinco.
La selección de pacientes y la predicción de las respuestas al tratamiento
representan los principales problemas que limitan el uso de la inmunoterapia contra
el cáncer. Sin embargo, los biomarcadores de imágenes médicas basados en IA han
revelado consecuencias esperanzadoras a la hora de perfeccionar la selección de
pacientes y la predicción de resultados al proporcionar perspectivas incomparables
sobre los tumores y su microambiente de una manera no invasiva.66. La radiómica se
refiere a la caracterización de la radiología basada en inteligencia artificial, que
puede ofrecer una caracterización más detallada que la posible a simple vista.67,68. Se
desarrolló y validó un biomarcador radiómico derivado de TC que distinguía a los
que respondieron a la inmunoterapia de los que no respondieron, tanto en pacientes
con carcinomas de pulmón de células no pequeñas (NSCLC) como con melanoma,
generando una descripción de características basada en IA en los datos de imágenes
de TC con contraste previo al tratamiento.20. Este estudio encontró que las lesiones
con morfología más heterogénea
Inteligencia artificial para la inmunoterapia contra el cáncer
Los perfiles, que tenían bordes compactos y patrones de densidad no uniformes,
tenían más probabilidades de responder a la inmunoterapia. Con base en lo anterior,
la radiómica basada en imágenes médicas podría proporcionar biomarcadores no
invasivos creíbles para la predicción de la respuesta terapéutica al anti-PD1, lo que
sugiere que los modelos basados en IA se pueden aplicar para evaluar la respuesta
a la inmunoterapia contra el cáncer.69,70. De manera similar, en un estudio
retrospectivo de múltiples cohortes, Sun et al.21
estableció una firma radiómica para predecir resultados clínicos en pacientes
con tumores sólidos avanzados después de inmunoterapia anti-PD-L1 o anti-
PD-1. Mediante la combinación de datos genómicos de RNA-seq de biopsias de
tumores e imágenes de TC con contraste, este enfoque radiómico proporcionó
un método prometedor para evaluar la firma de CD8 que se infiltra en el
tumor e inferir resultados clínicos para pacientes con cáncer.21. Por lo tanto,
estos estudios sugirieron conexiones entre la respuesta a la inmunoterapia y
las características radiómicas, revelando tendencias uniformes entre los tipos
de cáncer y la ubicación anatómica.
Además, si bien Coroller et al. han validado las características radiómicas
predictivas mediante imágenes de TC.22Para su aplicación en la predicción de
respuestas al tratamiento, se está utilizando un algoritmo DL basado en
resonancia magnética capaz de emplear más capas de datos para optimizar el
tratamiento y el pronóstico del cáncer de próstata.23. Sobre la base de los
modelos DL, se desarrollan dos redes de resolución múltiple conectadas
residualmente para segmentar volumétricamente tumores de pulmón y
realizar un seguimiento longitudinal preciso de los cambios de volumen del
tumor, lo cual fue necesario para monitorear la respuesta del tumor al
pembrolizumab (anti-PD-1) en pacientes con NSCLC.24. Además, se desarrolló
una firma basada en imágenes que logra el mejor rendimiento para
diferenciar la metástasis hipofisaria de la hipofisitis inducida por ICB
empleando un modelo de predicción multivariable basado en un algoritmo de
árbol forestal aleatorio, y los médicos pueden utilizar esta metodología para
mejorar la toma de decisiones en pacientes con cáncer sometidos a terapia
ICB25. Por lo tanto, los biomarcadores de imágenes obtenidos a partir del
análisis de imágenes médicas basado en IA podrían ser útiles para predecir los
resultados clínicos y el pronóstico de los pacientes tratados con
inmunoterapia, lo que podría promover aún más la aplicación de la
inmunoterapia contra el cáncer en la clínica.
4.2. Análisis histopatológico basado en IA
Los tumores sólidos generalmente siempre son diagnosticados por histopatólogos, y
estos diagnósticos se basan principalmente en portaobjetos teñidos con
hematoxilina y eosina (H&E).71. La aplicación exitosa de la IA a portaobjetos de
patología que ofrecen una amplia variedad de información ha revolucionado nuestra
comprensión de la histología del cáncer. En un artículo fundamental de 2016,
Sirinukunwattana et al.72demostraron que una red neuronal convolucional
espacialmente restringida combinada con un predictor de conjunto vecino logró con
precisión la detección y clasificación del núcleo en imágenes histológicas de cáncer
de colon de rutina, lo que benefició la práctica patológica en términos de análisis
cuantitativo de los componentes del tejido con respecto a imágenes de diapositivas
completas. Estos hallazgos proporcionan una prueba poderosa de que los métodos
basados en IA podrían tener una aplicación potencial en la localización e
identificación de patrones histomorfológicos anormales en imágenes rutinarias de
portaobjetos completos de pacientes con cáncer. En consecuencia, las técnicas de
aprendizaje automático basadas en análisis histopatológicos podrían brindar nuevas
oportunidades para predecir la respuesta a la inmunoterapia contra el cáncer.73. Los
estudios han propuesto que la maquinaria defectuosa de reparación de desajustes
(MMR) causada por mutaciones en los genes MMR que conducen a un número
creciente de mutaciones somáticas en el genoma está significativamente relacionada
con la respuesta ICB.74. En apoyo de estos resultados, Le et al.75encontró que la tasa
de respuesta objetiva relacionada con el sistema inmunológico era del 40% y del 0%
para los cánceres colorrectales con deficiencia de MMR y
3399
Cánceres colorrectales con dominio de MMR, respectivamente, lo que indica
que el estado de MMR podría usarse para predecir la respuesta clínica de los
pacientes tratados con inhibidores de puntos de control inmunológico. En
particular, Kather et al.26Confirmó que el aprendizaje residual profundo podría
predecir el estado de MMR directamente a partir de portaobjetos de histología
teñidos con H&E en pacientes con cáncer gastrointestinal. En este informe,
demostraron que el aprendizaje residual profundo permite, en última
instancia, la identificación eficiente de pacientes con microsatélites inestables,
lo que permite demostrar los beneficios de la inmunoterapia contra el cáncer
a una población objetivo más amplia. Además, la relación entre la cantidad
total de linfocitos intratumorales y células cancerosas está significativamente
relacionada con la expresión de la diana de inmunoterapia CTLA-4.76. Además,
muchos estudios han confirmado que los niveles más altos de infiltración de
células T y el aumento del número de linfocitos que se infiltran en el tumor
están relacionados con mejores bloqueos de los puntos de control
inmunológico.77. Luego, Saltz et al.27descubrió que la estructura espacial y las
densidades de los linfocitos infiltrantes de tumores, que están
significativamente asociados con la inmunoterapia y se obtienen a partir de
imágenes escaneadas con H&E empleando un modelo de red neuronal
convolucional profunda, se enriquecen diferencialmente entre los tipos de
tumores, los subtipos moleculares de los tumores y los subtipos inmunes.
Además, Effland et al.28desarrolló un enfoque de DL que utiliza redes
variacionales para explorar interacciones fenotípicas complejas en la
histopatología del melanoma que podrían predecir la respuesta a la
inmunoterapia. Además, el codesarrollo de IA especialmente diseñada en
paralelo con la patología computacional podría beneficiar la armonización de
los diagnósticos complementarios de la inmunoterapia al facilitar el
intercambio y la estandarización de los algoritmos de análisis de imágenes.
Por lo tanto, explorar las funciones funcionales de las teologías basadas en
la IA en la predicción de la respuesta a la inmunoterapia en pacientes con
cáncer podría abrir un enfoque novedoso e importante para proporcionar una
mejor comprensión de la eficacia terapéutica de la ICB. Sin embargo, algunas
ventajas y desventajas deberían abordarse mejor en futuras investigaciones.
En primer lugar, las imágenes radiográficas se obtienen principalmente de
forma digital y pueden cambiarse a un flujo de trabajo completamente digital
con una mínima pérdida de información; por el contrario, las secciones de
tejido pueden contener más información de la que se puede adquirir en una
imagen digital. Sin embargo, la falta de detalles finos y la preocupación de que
las diapositivas digitales necesiten más tiempo para revisarse que las de vidrio
han disminuido el atractivo de la IA para los patólogos.78. Además, el exceso
de secciones patológicas y la interferencia de artefactos, como burbujas de
aire y pliegues de tejido, y el alto costo de escanear y almacenar imágenes
están exacerbando esta tendencia. Además, existe un intenso debate entre los
patólogos con respecto a las capacidades potenciales de la IA para superar a
los humanos en precisión diagnóstica y evaluación de eficacia del tratamiento,
así como el papel futuro de los expertos humanos en estas áreas.79,80. Sin
embargo, al considerar estos problemas, debemos tener en cuenta la
inexactitud inherente del pronóstico tecnológico y el papel de las perspectivas
y los sesgos a la hora de afectar las opiniones privadas.81.
4.3. Otros
Muchos otros estudios han aplicado la IA a tareas similares en la inmunoterapia
contra el cáncer. Utilizando software de inteligencia artificial, los investigadores
entrenaron un dispositivo llamado "nariz electrónica" o "eNose" que podía predecir
con precisión si los pacientes con NSCLC responderían a las terapias anti-PD-1. En el
estudio, el dispositivo pudo distinguir con precisión a los que respondieron de los
que no respondieron, lo que superó a la inmunohistoquímica, mediante la detección
de patrones de compuestos orgánicos volátiles en el aliento exhalado relacionados
con las respuestas de los pacientes con NSCLC a los inhibidores de puntos de control
pembrolizumab y
3400
nivolumab29. Además, los modelos de aprendizaje automático que utilizan
características de mutación genética podrían servir como biomarcadores para
el pronóstico y la orientación de la inmunoterapia.75,82,83. Además, Hopp et al.
30Verificó que un método basado en mapas autoorganizados ML podría usarse
para representar los paisajes de metilación y expresión para cada muestra y
subtipo de cáncer en el glioblastoma, y esta información es útil para la
predicción de la respuesta a los inhibidores de puntos de control
inmunológico. Sin embargo, la metilación y la expresión no cambiaron
simultáneamente en los subtipos de receptores acoplados a proteína G, como
los receptores de citoquinas que influyen en las funcionalidades de la
respuesta inmune, lo que justifica más estudios. Además, se empleó un
modelo basado en redes neuronales artificiales para analizar la dinámica de
las vacunas inmunoterapéuticas basadas en células dendríticas y predecir
patrones de vacunación para controlar el crecimiento del fibrosarcoma.31. Sin
embargo, los resultados de la simulación y los perfiles previstos no fueron
validados mediante experimentos y requieren mayor confirmación. Por lo
tanto, estos enfoques basados en la IA deben diseñarse, integrarse y
explorarse más a fondo cuidadosamente.
En la actualidad, la biopsia líquida, particularmente el ADN de células
tumorales circulantes, revela una mejor heterogeneidad tumoral con mayor
precisión en comparación con la biopsia tumoral dadas sus propiedades en un
análisis conveniente y dinámico.84mi86. En inmunoterapia, se desarrollan cada
vez más biomarcadores genéticos líquidos para predecir el efecto terapéutico
del ICB.87. Además, algunos biomarcadores, como la citoquina interleucina
plasmática y el ADN de las células tumorales circulantes, pueden usarse para
excluir enfermedades hiperprogresivas o pseudoprogresivas después de la
inmunoterapia.88. Por tanto, el uso de posibles biomarcadores para la biopsia
líquida puede contribuir al reconocimiento de los pacientes que se
beneficiarían más de la inmunoterapia. Además, la IA ya se ha utilizado como
una estrategia potencial para descubrir y detectar automáticamente firmas
moleculares en biopsias líquidas.89. Por lo tanto, se espera que en el futuro la
IA proporcione una variedad de información para evaluar la respuesta a la
inmunoterapia mediante biopsia líquida.
5. Aplicación de la IA en los desafíos actuales de la inmunoterapia
La inmunoterapia ha cambiado sustancialmente la estrategia clínica para el
tratamiento del cáncer. Con el desarrollo de tratamientos en el entorno clínico y
preclínico, ha ido aumentando la cantidad de aprobaciones de medicamentos de
inmunoterapia, principalmente pertenecientes a la clase de inhibidores de puntos de
control inmunológico.90mi92. Actualmente, además de numerosas terapias novedosas
dirigidas a otras perspectivas, los tratamientos dirigidos a los inmunorreceptores de
células T con dominios de inmunoglobulina e ITIM, el gen de activación de linfocitos
3 y la inmunoglobulina de células T y el dominio de mucina 3, se encuentran en
ensayos clínicos o en desarrollo para la inmunoterapia contra el cáncer. PD-1, PD-L1
y CTLA-4 son las tres principales moléculas inhibidoras a las que se dirigen los
medicamentos aprobados por la Administración de Alimentos y Medicamentos de los
Estados Unidos, como pembrolizumab, avelumab e ipilimumab.93mi96.
Desafortunadamente, aunque se han desarrollado numerosas dianas moleculares y
sus correspondientes fármacos con excelente efecto terapéutico, sólo el 20%miEl
50% de los pacientes responde al tratamiento. Los mecanismos de resistencia a los
puntos de control inmunológico se han convertido en un foco de atención. Arlauckas
et al.97descubrieron que los macrófagos asociados a tumores eliminaban
rápidamente los anticuerpos monoclonales anti-PD-1 de las células T, alterando así
las respuestas citotóxicas de las células T. Otros mecanismos incluyen una
generación y función efectora insuficientes de las células T antitumorales y una
formación deficiente de la memoria de las células T.98. Por lo tanto, está muy
justificado desarrollar métodos para identificar a los pacientes con mayor
probabilidad de responder a la inmunoterapia. Por otro lado, los irAE han aparecido
como complicaciones continuas de
Zhijie Xu et al.
bloqueo de puntos de control, lo que revela un desafío clínico importante para
gestionar de forma segura el uso de estos inhibidores5. Algunos IRAE, como la
colitis o la erupción cutánea, surgen rápidamente después de emplear
inhibidores de puntos de control inmunitarios, mientras que otros, como la
hipofisitis o la toxicidad hepática, se desarrollan lentamente.99. Sin embargo,
otros IRAE, como la dermatitis o la neumonitis, son en gran medida reversibles
debido a la capacidad regenerativa intrínseca del órgano en cuestión,
mientras que otros generan daño tisular a largo plazo, como la deficiencia de
corticosteroides suprarrenales y de insulina, debido a la destrucción de los
órganos endocrinos.99. Además, la gravedad y la frecuencia de los irAE
aumentan significativamente durante los tratamientos combinados. Wolchok
et al.100descubrieron que hasta el 60% de los pacientes tratados con anti-
CTLA-4 más anti-PD-1 experimentaban IRAE graves, incluida inflamación del
corazón y del sistema nervioso. Estas manifestaciones clínicas probablemente
sean atribuibles a la función fisiológica de las vías de control con respecto a la
modulación de la inmunidad adaptativa y la prevención de la autoinmunidad.
Por lo tanto, comprender qué impulsa estos IRAE y cómo evitarlos se está
convirtiendo en una cuestión cada vez más importante. Es emocionante que
se haya creado una base de datos estandarizada y altamente exacta de irAE
para detectar y comprender de manera integral los mecanismos biológicos de
los irAE.101. Los irAE extraídos pueden actuar como estándar de oro para
evaluar las extracciones automáticas de irAE de otros recursos de datos y
sentar las bases para desarrollar métodos computacionales para conocer los
irAE, lo que eventualmente garantizará un tratamiento seguro contra el
cáncer. Finalmente, el alto costo de la terapia podría generar un gasto
individual masivo, así como cargas financieras para el sistema nacional de
seguro médico.
La evidencia emergente ha indicado que las tecnologías basadas en IA se
pueden utilizar en la investigación y el tratamiento del cáncer. La IA aborda los
problemas como lo haría un médico a cargo de una residencia, comenzando
con la observación del paciente, utilizando algoritmos para detectar variables
y buscando combinaciones para predecir resultados de manera confiable. Las
estrategias basadas en IA se han utilizado para tareas en múltiples
especialidades médicas, principalmente patología y radiología, y en algunas
situaciones, estos métodos han logrado una capacidad equivalente a la de los
expertos humanos.102. Por ejemplo, la integración de la IA en patología
generará diagnósticos avanzados y un flujo de trabajo mejorado, lo que
permitirá a los médicos revisar y compartir imágenes rápidamente y emplear
algoritmos computacionales para evaluar información valiosa para adquirir un
diagnóstico de cáncer más informado y detallado.103,104. Además, estos
algoritmos podrían explotar datos extraídos de imágenes médicas que no
serían obvios a través del análisis humano y que pueden ser informativos con
respecto al diagnóstico, la sensibilidad del tratamiento y el pronóstico.105. En
un estudio retrospectivo, Wang et al.106desarrollaron un método de DL
semisupervisado, extrayendo datos eficaces basados en TC, para predecir el
riesgo de recurrencia del cáncer de ovario seroso de alto grado. Además, la
aplicación de la IA en inmunoterapia es cada vez más amplia, como la
búsqueda de biomarcadores para el diagnóstico y pronóstico y la descripción
de la información fenotípica de las células tumorales.107. Effland et al.28
utilizaron redes variacionales para la reconstrucción y segmentación de
imágenes conjuntas basadas en un enfoque DL para ilustrar las interacciones
directas entre las células inmunes y las células de melanoma. La IA también
tiene el potencial de predecir la respuesta al ICB centrándose en la vía de
presentación del antígeno.108. Además, la IA nos proporciona un método
prometedor para resolver las deficiencias de la inmunoterapia contra el
cáncer, incluida la baja tasa de respuesta de los pacientes, los irAE y los
elevados costes de hospitalización. Houy et al.109Importó técnicas de IA en
inmunoterapia para optimizar el programa de terapia, lo que podría contribuir
a disminuir los IRAE mediante el uso de dosis más bajas, además de hacer que
los tratamientos sean más asequibles. Además, el método de fenotipado
basado en ML podría reconocer a los pacientes.
Inteligencia artificial para la inmunoterapia contra el cáncer
con irAE de numerosas notas clínicas y análisis predictivos basados en ML fue
un enfoque factible para predecir la aparición y la continuidad de los síntomas
informados por los pacientes en pacientes con terapias con ICB. Estos estudios
son inspiradores e ilustran que los modelos basados en IA podrían aplicarse
aún más a la detección temprana de toxicidades dependientes de ICB.
Finalmente, un mayor desarrollo de algoritmos impulsados por IA en
inmunoterapia contra el cáncer puede acelerar el progreso en términos de
desarrollo de biomarcadores precisos y algoritmos de gobernanza para
predecir la respuesta al tratamiento, evaluar la resistencia a los
medicamentos, predecir la supervivencia del paciente y analizar la enfermedad
residual mínima, lo que permite a los médicos realizar más Proporcionar con
precisión a los pacientes el estándar de atención más eficaz, proporcionando
una ventaja suprema para cada paciente.110mi112.
6. Perspectivas y oportunidades de la IA en inmunoterapia
Aprender de un gran conjunto de datos e identificar patrones que podrían
aplicarse a propósitos definidos, como la anotación o el diagnóstico de
mutaciones, es la mayor fortaleza de la IA.113,114. Por ejemplo, el sistema
Watson Oncology de International Business Machines se formó con los datos
disponibles, fue un mensajero de vanguardia en el campo de la IA y
proporcionó regímenes terapéuticos individualizados y basados en evidencia
para la mayoría de los cánceres sanguíneos y sólidos.115. Sin embargo, existen
algunas limitaciones que obstaculizan el progreso de la IA en la inmunoterapia
contra el cáncer. Una barrera es la cantidad insuficiente de datos disponibles.
Los modelos de aprendizaje automático generalmente funcionan mejor
cuando estos modelos se entrenan con grandes cantidades de datos de
entrenamiento, pero actualmente hay pocas bases de datos públicas
disponibles.7. Además, algunas partes interesadas pueden ser reacias a
intercambiar datos entre sí debido a diversas razones, como propósitos
comerciales no alineados o responsabilidades relacionadas con las leyes de
privacidad personal.116. Por lo tanto, fomentar el intercambio de datos entre
hospitales e institutos de todo el país o incluso de todo el mundo, como el
proyecto The Cancer Imaging Archive y Quantitative Imaging Network, es
esencial para cumplir con los requisitos de utilizar conjuntos de datos grandes
y diversos para mejorar la precisión de los enfoques de IA.117,118. Otra barrera
es el actual estado descentralizado y fragmentado de los registros médicos.
Los registros de pacientes obtenidos de hospitales y centros de datos existen
en diversas formas, como voz grabada, texto libre e imágenes médicas, y rara
vez están organizados adecuadamente para el análisis computacional.119.
Además, los obstáculos culturales y lingüísticos también son factores
implicados en la fragmentación de los registros médicos.120. Por lo tanto,
establecer un sistema estandarizado que incluya el uso de criterios de
inclusión y exclusión podría resolver la necesidad de una gran cantidad de
datos bien organizados y de alta calidad para la aplicación de la IA en la
predicción de inmunoterapia.119,121. Finalmente, los modelos de aprendizaje
automático funcionan como una “caja negra” invisible e impalpable, lo que
lleva a los expertos clínicos a desconfiar de ellos.122,123. Además, se debe
considerar e incorporar la confianza entre médicos y pacientes cuando se
aplican enfoques de IA a la inmunoterapia.124. Afortunadamente, muchos
investigadores han propuesto métodos para la visualización de características
de DL y modelos de predicción, que potencialmente podrían disminuir la
percepción de la caja negra.125.
La IA es un campo innovador y de rápido crecimiento con potencial para mejorar
los resultados de la inmunoterapia, como se informa en muchos estudios. Sin
embargo, en la actualidad, existen varios problemas en la literatura. En primer lugar,
descubrimos que los estudios prospectivos y los ensayos clínicos aleatorios
relevantes sobre la IA en inmunoterapia son limitados. Además, la mayoría de los
estudios no aleatorios no son prospectivos y se observa un alto riesgo de sesgo y
desviación de los estándares de presentación de informes existentes.126. En segundo
lugar, la reproducibilidad de la IA es difícil de evaluar debido a la disponibilidad
limitada de códigos y conjuntos de datos, lo que podría
3401
resolverse fomentando el intercambio de códigos y datos entre disciplinas científicas
127mi129. Además, en muchos artículos se encuentra un lenguaje demasiado
prometedor a pesar de las limitaciones obvias en términos de diseño, transparencia,
informes y riesgo de sesgo.126,130. Por lo tanto, debemos mejorar la presentación de
informes y la transparencia, fortalecer la relevancia clínica en el mundo real,
disminuir el riesgo de sesgo y ajustar la conclusión de manera adecuada para reducir
el desperdicio de investigación, proteger a los pacientes y evitar exageraciones.
Alternativamente, un problema frecuente en numerosos estudios de ML es la
falta de muestras de validación "retenidas" adecuadas, y este fenómeno también
ocurre durante el proceso de aprendizaje de los modelos.33. El sobreajuste muestra
que el modelo entrenado funciona bien en el conjunto de entrenamiento pero mal
en el conjunto de prueba. En general, la deficiencia de datos y los modelos complejos
son las principales causas del fenómeno. Por lo tanto, para evitar el sobreajuste (es
decir, memorizar casos de muestra de entrenamiento en lugar de estudiar patrones
relacionados), se requiere aumentar los datos y el conjunto de datos se puede dividir
en tres partes, incluido el conjunto de entrenamiento, el conjunto de validación
cruzada y el conjunto de pruebas, que se pueden utilizar para preferiblemente
evaluar el rendimiento del modelo20,131. Además, se pueden utilizar varios enfoques,
como bosques aleatorios, máquinas de vectores de soporte y redes bayesianas, para
disminuir la complejidad del modelo a través de características intermedias
definitivamente diseñadas y, por lo general, implican un procedimiento de
simplificación de características.25,132.
Los métodos de IA tienen la capacidad de reconocer patrones y combinar
información de maneras que los humanos no pueden, lo que demuestra una
promesa sustancial para el futuro de la inmunoterapia.133. Un modelo ideal
basado en IA utilizado para inmunoterapia incluiría todos los datos
relacionados con información clínica y biomarcadores para hacer predicciones
precisas sobre si los pacientes se beneficiarán de la inmunoterapia.134. En
términos de integridad, objetividad y velocidad de obtención de información,
la IA, como la radiómica, puede superar la evaluación visual de los médicos.122.
Sin embargo, la IA difiere de la inteligencia humana en muchos aspectos, y
sobresalir en un área no indica un desempeño sobresaliente en otras áreas, lo
cual debe señalarse claramente. Además, no existe ninguna ley que pueda
utilizarse para resolver la cuestión de la responsabilidad si algo sale mal, como
por ejemplo quién debe ser considerado responsable cuando se produce un
error en el ML o se omite un diagnóstico.135. Por lo tanto, no se debe exagerar
la promesa de nuevos enfoques de IA en inmunoterapia, y la IA no reemplaza
a los médicos en la actualidad porque todos sabemos que el monitoreo y las
estrategias de inmunoterapia son bastante complicados. Por último, creemos
que la IA y los médicos deberían cooperar y aprender unos de otros para
prestar un mejor servicio a la inmunoterapia de los pacientes.
Aunque los enfoques de IA tienen un gran potencial en la inmunoterapia contra
el cáncer, la integración de técnicas de IA en la prestación de atención médica
enfrenta una serie de obstáculos. Por ejemplo, las suposiciones pasadas por alto en
los datos y modelos primarios podrían dar lugar a sugerencias peligrosas, que no
distinguen los procesos de atención locales, entregadas por el sistema de IA.136,137.
Los problemas con el software ampliamente utilizado podrían afectar rápidamente a
muchos pacientes138. Además, la intervención de la IA en el seguimiento de la terapia
podría poner en peligro algunos tipos de trabajos médicos, lo que provocaría una
pérdida de cualificación y posibles errores técnicos.137,139. Para gestionar eficazmente
estas desventajas, es necesario desarrollar las estrategias correspondientes. En
primer lugar, la comprensión y la investigación de las formas de amenazas
sociotécnicas que las técnicas de IA podrían introducir en diferentes campos de la
atención sanitaria son importantes para construir un mapa coherente del panorama
de la seguridad.111. En segundo lugar, establecer modelos de seguridad sociotécnica
y métodos analíticos relacionados es adecuado para gobernar y explicar el proyecto
de seguridad del paciente producido por los sistemas de IA.140. En tercer lugar,
debemos comprender las perspectivas del paciente, el médico y el público con
respecto a la aceptabilidad, los beneficios y
3402
Riesgos de los enfoques de IA en la inmunoterapia exitosa, así como en el
establecimiento de mecanismos institucionales y sociales que merezcan
aceptación y confianza.141,142. Finalmente, basándose en principios de nivel
superior, probar las funciones regulatorias reales y los mecanismos de gestión
específicos permitirá garantizar la seguridad de los sistemas de IA emergentes
mientras se ajustan a los desafíos particulares de gobernar tecnologías con las
características de adaptarse y aprender de manera constante y autónoma.143,
144. Además, se necesitan nuevos modelos computacionales confiables con la
integración de varios biomarcadores para mejorar la predicción de la
respuesta a la inmunoterapia. Recientemente, desarrollamos una plataforma
que incluye índices bioquímicos completos de pacientes con cáncer,
biomarcadores y datos radiográficos para proporcionar algunos métodos
alternativos para una mayor optimización de los enfoques basados en IA.145.
7. Conclusiones
La IA ha servido como un método sorprendentemente desarrollado durante la
búsqueda de la inmunoterapia contra el cáncer asistida por computadora. Con el
aumento de datos clínicos y metodologías avanzadas de IA, tiene el potencial de
aumentar las funciones funcionales en la respuesta a la inmunoterapia; sin embargo,
la técnica aún está lejos de tener un uso generalizado en aplicaciones en la práctica
clínica. Esperamos con interés un futuro prometedor y no muy lejano en el que la IA
probablemente altere la práctica de la inmunoterapia contra el cáncer y, en última
instancia, mejore la seguridad del paciente y la calidad de la atención sanitaria.
Expresiones de gratitud
El estudio fue apoyado por subvenciones de la Fundación Nacional de
Ciencias Naturales de China (81803035), la Fundación de Ciencias
Naturales de la provincia de Hunan (2020JJ5934 y 2019JJ50932, China), la
Fundación de Ciencias Postdoctorales de China (2020M672521) y los
Fondos de Investigación Fundamental para las Universidades Centrales
de Central Universidad del Sur (2019zzts345 y 2019zzts800, China).
Contribuciones de autor
Yuanliang Yan, Zhicheng Gong, Zhijie Xu y Xiang Wang recopilaron
los documentos relacionados. Zhijie Xu, Xiang Wang y Xinxin Ren
redactaron y escribieron el manuscrito. Zhijie Xu, Xiang Wang,
Shuangshuang Zeng y Yuanliang Yan revisaron el manuscrito.
Todos los autores han leído y aprobado el manuscrito final.
Conflictos de interés
Los autores declaran no tener conflictos de intereses.
Referencias
1.Looi CK, Chung FF, Leong CO, Wong SF, Rosli R, Mai CW. Desafíos
terapéuticos y estrategias inmunomoduladoras actuales para
atacar el microambiente inmunosupresor del tumor pancreático.J
Exp Clin Cancer Res2019;38:162.
2.Fu Y, Liu S, Zeng S, Shen H. Del banco a la cama: el microambiente
inmunológico del tumor y las estrategias inmunoterapéuticas actuales
para el carcinoma hepatocelular.J Exp Clin Cancer Res2019;38:396.
3.Nishino M, Ramaiya NH, Hatabu H, Hodi FS. Monitoreo del bloqueo de puntos de
control inmunológico: evaluación de la respuesta y desarrollo de
biomarcadores.Nat Rev Clin Oncol2017;14:655mi68.
Zhijie Xu et al.
4.Soularue E, Lepage P, Colombel JF, Coutzac C, Faleck D, Marthey L, et al. Enterocolitis
debida a inhibidores de puntos de control inmunológico: una revisión sistemática.
Intestino2018;67:2056mi67.
5.Wang DY, Salem JE, Cohen JV, Chandra S, Menzer C, Ye F, et al. Efectos tóxicos
fatales asociados con los inhibidores de puntos de control inmunológico: una
revisión sistemática y un metanálisis.JAMA Oncol2018;4:1721mi8.
6.Tang Z, Chuang KV, DeCarli C, Jin LW, Beckett L, Keizer MJ, et al. Clasificación
interpretable de las patologías de la enfermedad de Alzheimer con una red
neuronal convolucional.comuna nacional2019;10:2173.
7.Rajkomar A, Dean J, Kohane I. Aprendizaje automático en medicina.N Engl
J Med2019;380:1347mi58.
8.Thompson RF, Valdés G, Fuller CD, Carpenter CM, Morin O, Aneja S, et al.
Inteligencia artificial en oncología radioterápica: ¿una transformación
disruptiva en toda la especialidad?Radiother Oncol2018; 129:421mi6.
9.Angell H, Galon J. De la contextura inmune al inmunoscore: el papel de los
marcadores inmunes pronósticos y predictivos en el cáncer.Opinión
actual Inmunol2013;25:261mi7.
10.Li Y, Niu M, Zou Q. ELM-MHC: un método de identificación de MHC mejorado con
un algoritmo de máquina de aprendizaje extremo.J proteoma res 2019;18:1392
mi401.
11.Untilt SC, Heiland S, Falini A, Jager HR, Waldman AD, Sundgren PC, et
al. Imágenes de glioma en Europa: una encuesta de 220 centros y
recomendaciones para la mejor práctica clínica.Euro Radiol 2018;
28:3306mi17.
12.Okada H, Weller M, Huang R, Finocchiaro G, Gilbert MR, Wick W, et al.
Evaluación de la respuesta a la inmunoterapia en neurooncología:
informe del grupo de trabajo RANO.Lanceta Oncol2015;dieciséis: e534mi
42.
13.Charoentong P, Finotello F, Angelova M, Mayer C, Efremova M, Rieder D,
et al. Los análisis inmunogenómicos pan-cáncer revelan relaciones
genotipo-inmunofenotipo y predictores de respuesta al bloqueo de
puntos de control.Representante celular2017;18:248mi62.
14.Boehm KM, Bhinder B, Raja VJ, Dephoure N, Elemento O. Predicción de la
presentación de péptidos por el complejo mayor de histocompatibilidad
clase I: un enfoque mejorado de aprendizaje automático para el
inmunopeptidoma.BMC Bioinf2019;20:7.
15.Reiman D, Sha L, Ho I, Tan T, Lau D, Khan AA. Integración de la expresión de ARN
y características visuales para la predicción del infiltrado inmunológico.
Biocomputadora Pac Symp2019;24:284mi95.
dieciséis.Ge P, Wang W, Li L, Zhang G, Gao Z, Tang Z, et al. Perfiles de infiltración de
células inmunitarias y genes relacionados con el sistema inmunitario en el
microambiente tumoral del cáncer colorrectal.Farmacéutico Biomédico2019;
118:109228.
17.Schmidt J, Guillaume P, Dojcinovic D, Karbach J, Coukos G, Luescher I.en silicioy
los análisis basados en células revelan una fuerte divergencia entre la
predicción y la observación de epítopos de células T de antígenos tumorales
reconocidos por células T.J Biol Chem2017;292:11840mi9.
18.Tosolini M, Pont F, Poupot M, Vergez F, Nicolau-Travers ML, Vermijlen D, et al.
Evaluación del TCRV infiltrante de tumores.gramo9Vd2dios Abundancia de
linfocitos mediante deconvolución de micromatrices de cánceres humanos.
OncoInmunología2017;6:e1284723.
19.He Y, Jiang Z, Chen C, Wang X. Clasificación de cánceres de mama
triple negativos basada en perfiles inmunogenómicos.J Exp Clin
Cancer Res2018;37:327.
20.Trebeschi S, Drago SG, Birkbak NJ, Kurilova I, Calin AM, Delli Pizzi A, et al.
Predecir la respuesta a la inmunoterapia contra el cáncer utilizando
biomarcadores radiómicos no invasivos.Ann Oncol2019;30:998mi1004.
21.Sun R, Limkin EJ, Vakalopoulou M, Dercle L, Champiat S, Han SR, et al. Un
enfoque radiómico para evaluar las células CD8 infiltradas en tumores y la
respuesta a la inmunoterapia anti-PD-1 o anti-PD-L1: un biomarcador de
imágenes, estudio multicohorte retrospectivo.Lanceta Oncol2018;19: 1180mi
91.
22.Coroller TP, Agrawal V, Narayan V, Hou Y, Grossmann P, Lee SW, et al. Las
características del fenotipo radiómico predicen la respuesta patológica en el
cáncer de pulmón de células no pequeñas.Radiother Oncol2016;119:480mi6.
23.Miyahira AK, Soule HR. Informe del 24º retiro científico anual de la Fundación
contra el Cáncer de Próstata.Próstata2018;78:867mi78.
Inteligencia artificial para la inmunoterapia contra el cáncer
24.Jiang J, Hu YC, Liu CJ, Halpenny D, Hellmann MD, Deasy JO, et al. Múltiples secuencias de
funciones de resolución conectadas residualmente para la segmentación automática
de tumores de pulmón a partir de imágenes de TC.Imagen IEEE Trans Med2019;38:
134mi44.
25.Mekki A, Dercle L, Lichtenstein P, Nasser G, Marabelle A, Champiat S, et al.
El aprendizaje automático definió criterios de diagnóstico para
diferenciar la metástasis hipofisaria de la hipofisitis autoinmune en
pacientes sometidos a terapia de bloqueo de puntos de control
inmunológico.Eur J Cáncer2019;119:44mi56.
26.Kather JN, Pearson AT, Halama N, Jager D, Krause J, Loosen SH, et al. El
aprendizaje profundo puede predecir la inestabilidad de los microsatélites
directamente a partir de la histología en el cáncer gastrointestinal.Nat Med
2019;25: 1054mi6.
27.Saltz J, Gupta R, Hou L, Kurc T, Singh P, Nguyen V, et al. Organización espacial y
correlación molecular de linfocitos infiltrantes de tumores mediante
aprendizaje profundo en imágenes patológicas.Representante celular2018; 23:
181mi193 e7.
28.Effland A, Kobler E, Brandenburg A, Klatzer T, Neuhauser L, Holzel M, et al.
Reconstrucción conjunta y clasificación de células tumorales e interacciones
celulares en secciones de tejido de melanoma con datos de entrenamiento
sintetizados.Int J Comput Assist Radiol Surg2019;14:587mi99.
29.Abbasi J. "Electronic Nose" predice la respuesta a la inmunoterapia.J Am
Med Assoc2019;322:1756.
30.Hopp L, Loffler-Wirth H, Galle J, Binder H. La representación SOM
combinada de paisajes de expresión génica y metilación del ADN
desenreda los modos de regulación epigenética en el glioblastoma.
Epigenómica2018;10:745mi64.
31.Mehrian M, Asemani D, Arabameri A, Pourgholaminejad A, Hadjati J. Modelado
del crecimiento tumoral en inmunoterapia basada en células dendríticas
utilizando redes neuronales artificiales.Computación Bioquímica2014; 48:21mi
8.
32.Kantarjian H, Yu PP. Inteligencia artificial, big data y cáncer.
JAMA Oncol2015;1:573mi4.
33.Rudie JD, Rauschecker AM, Bryan RN, Davatzikos C, Mohan S.
Aplicaciones emergentes de la inteligencia artificial en
neurooncología. Radiología2019;290:607mi18.
34.Litjens G, Kooi T, Bejnordi BE, Setio AAA, Ciompi F, Ghafoorian M, et al.
Una encuesta sobre el aprendizaje profundo en el análisis de imágenes
médicas.Imagen Médica Anal2017;42:60mi88.
35.Shen D, Wu G, Suk HI. Aprendizaje profundo en el análisis de imágenes médicas.
Annu Rev Biomed Eng2017;19:221mi48.
36.Hagiwara A, Fujita S, Ohno Y, Aoki S. Variabilidad y estandarización de
imágenes cuantitativas: cuantificación monoparamétrica a
multiparamétrica, radiómica e inteligencia artificial.Invertir Radiol 2020;
55:601midieciséis.
37.Langs G, Rohrich S, Hofmanninger J, Prayer F, Pan J, Herold C, et al.
Aprendizaje automático: de la radiómica al descubrimiento y la rutina.
radiólogo2018;58:1mi6.
38.Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts H. Inteligencia
artificial en radiología.Cáncer Nacional Rev2018;18:500mi10.
39.Deo RC. Aprendizaje automático en medicina.Circulación2015;132: 1920mi
30.
40.Goldenberg SL, Nir G, Salcudean SE. Una nueva era: inteligencia artificial y
aprendizaje automático en el cáncer de próstata.Nat Rev Urol2019; dieciséis:
391mi403.
41.LeCun Y, Bengio Y, Hinton G. Aprendizaje profundo.Naturaleza2015;521:
436mi44.
42.Lazarovits J, Sindhwani S, Tavares AJ, Zhang Y, Song F, Audet J, et al. El
aprendizaje supervisado y la espectrometría de masas predicen laen vivo
destino de los nanomateriales.ACS Nano2019;13:8023mi34.
43.Tshitoyan V, Dagdelen J, Weston L, Dunn A, Rong Z, Kononova O, et al. Las
incrustaciones de palabras no supervisadas capturan conocimientos latentes de la
literatura sobre ciencia de materiales.Naturaleza2019;571:95mi8.
44.Uehara S, Mawase F, Therrien AS, Cherry-Allen KM, Celnik P.
Interacciones entre la exploración motora y el aprendizaje por
refuerzo.J Neurofisiol2019;122:797mi808.
45.Liu J, Liu X, Han Y, Zhang J, Liu D, Ma G, et al. La nanovacuna
incorporada con hidroxicloroquina mejora el cruce de antígenos
3403
presentación y promueve respuestas inmunes antitumorales.Interfaces
de aplicación ACS2018;10:30983mi93.
46.Xiao X, He X, Li Q, Zhang H, Meng J, Jiang Y, et al. El intercambio de plasma puede ser
una modalidad terapéutica alternativa para el síndrome de liberación de citocinas
grave después de la infusión de células T del receptor de antígeno quimérico: informe
de un caso.Clin Cancer Res2019;25:29mi34.
47.Aguilera TA, Rafat M, Castellini L, Shehade H, Kariolis MS, Hui AB, et
al. Reprogramar el microambiente inmunológico a través de
radiación y apuntar a Axl.comuna nacional2016;7:13898.
48.Poudel P, Nyamundanda G, Patil Y, Cheang MCU, Sadanandam A. Las firmas de
genes heterocelulares revelan la heterogeneidad del cáncer de mama luminal-
A y las respuestas terapéuticas diferenciales.Cáncer de mama NPJ 2019;5:21.
49.Díaz Jr LA, Le DT. Bloqueo de PD-1 en tumores con deficiencia de reparación de
desajustes.N Engl J Med2015;373:1979.
50.Rizvi NA, Hellmann MD, Snyder A, Kvistborg P, Makarov V, Havel JJ, et al.
Inmunología del cáncer. El panorama mutacional determina la
sensibilidad al bloqueo de PD-1 en el cáncer de pulmón de células no
pequeñas. Ciencia2015;348:124mi8.
51.Van Allen EM, Miao D, Schilling B, Shukla SA, Blank C, Zimmer L, et al.
Correlatos genómicos de la respuesta al bloqueo de CTLA-4 en el
melanoma metastásico.Ciencia2015;350:207mi11.
52.Chen F, Zou Z, Du J, Su S, Shao J, Meng F, et al. Las estrategias de
identificación de neoantígenos permiten la inmunoterapia personalizada
en tumores sólidos refractarios.J Clin Invest2019;129:2056mi70.
53.Richters MM, Xia H, Campbell KM, Gillanders WE, Griffith OL, Griffith M.
Mejores prácticas para la caracterización bioinformática de
neoantígenos para utilidad clínica.Genoma médico2019;11:56.
54.Mei S, Li F, Leier A, Márquez-Lago TT, Giam K, Croft NP, et al. Una revisión
exhaustiva y una evaluación del rendimiento de las herramientas
bioinformáticas para la predicción de la unión de péptidos HLA clase I.Breve
Bioinformación 2020;21:1119mi35.
55.Holtstrater C, Schrors B, Bukur T, Lower M. Bioinformática para la
inmunoterapia del cáncer.Métodos Mol Biol2020;2120:1mi9.
56.Mosch A, Raffegerst S, Weis M, Schendel DJ, Frishman D. Aprendizaje automático para
inmunoterapias contra el cáncer basado en el reconocimiento de epítopos por
Receptores de células T.Geneta frontal2019;10:1141.
57.O'Donnell TJ, Rubinsteyn A, Bonsack M, Riemer AB, Laserson U,
Hammerbacher J. MHCflurry: predicción de afinidad de unión al MHC de
clase I de código abierto.Sistema celular2018;7:129mi132 e4.
58.Zhao W, Sher X. Evaluación comparativa sistemática de los predictores de unión de
péptido-MHC: desde epítopos sintéticos hasta procesados de forma natural.PLoS
Comput Biol2018;14:e1006457.
59.Vandenberghe ME, Scott ML, Scorer PW, Soderberg M, Balcerzak D, Barker C.
Relevancia del aprendizaje profundo para facilitar el diagnóstico del estado de
HER2 en el cáncer de mama.Representante de ciencia2017;7: 45938.
60.Moghram BA, Nabil E, Badr A. Predicción ab-initio de la estructura
conformacional del epítopo utilizando algoritmo genético y SVM para el diseño
de vacunas.Programas de métodos informáticos Biomed2018;153:161mi70.
61.Degoot AM, Chirove F, Ndifon W. Modelo transalélico para la predicción de
interacciones péptido:MHC-II.Inmunol frontal2018;9:1410.
62.Liu F, Jang H, Kijowski R, Bradshaw T, McMillan AB. Corrección de atenuación basada en
imágenes de resonancia magnética de aprendizaje profundo para imágenes de PET/
MR.Radiología2018;286:676mi84.
63.Geis JR, Brady AP, Wu CC, Spencer J, Ranschaert E, Jaremko JL, et al.
Ética de la inteligencia artificial en radiología: resumen de la
declaración multisociedad conjunta europea y norteamericana.
Radiología2019;293:436mi40.
64.Sharp G, Fritscher KD, Pekar V, Peroni M, Shusharina N, Veeraraghavan H,
et al. Visión 20/20: perspectivas sobre la segmentación automatizada de
imágenes para radioterapia.médico2014;41:050902.
sesenta y cinco.Dey D, Slomka PJ, Leeson P, Comaniciu D, Shrestha S, Sengupta PP,
et al. Inteligencia artificial en imágenes cardiovasculares: revisión del estado
del arte del JACC.J. Am Coll Cardiol2019;73:1317mi35.
66.Diem S, Schmid S, Krapf M, Flatz L, Born D, Jochum W, et al. Relación
neutrófilos/linfocitos (NLR) y plaquetas/linfocitos (PLR) como marcadores
pronósticos en pacientes con enfermedad de células no pequeñas
3404
Cáncer de pulmón (NSCLC) tratado con nivolumab.Cáncer de pulmón2017;
111:176mi81.
67.Su X, Chen N, Sun H, Liu Y, Yang X, Wang W, et al. El aprendizaje automático
automatizado basado en características radiómicas predice la mutación H3
K27M en los gliomas de la línea media del cerebro.Neuro Oncol2020;22: 393mi
401.
68.Aerts HJ. El potencial del fenotipado basado en radiómica en la medicina de
precisión: una revisión.JAMA Oncol2016;2:1636mi42.
69.Forghani R, Savadjiev P, Chatterjee A, Muthukrishnan N, Reinhold C,
Forghani B. Radiómica e inteligencia artificial para el desarrollo de
biomarcadores y modelos de predicción en oncología.Comput Struct
Biotecnología J2019;17:995mi1008.
70.Yan Y, Zeng S, Wang X, Gong Z, Xu Z. Un algoritmo de aprendizaje
automático para predecir la respuesta terapéutica al anti-PD1.
Tratamiento Technol Cancer Res2019;18:1533033819875766.
71.Tosta TAA, de Faria PR, Neves LA, do Nascimento MZ. Normalización del color de
imágenes histológicas teñidas con H&E descoloridas mediante coincidencia
espectral.Computación Biol Med2019;111:103344.
72.Sirinukunwattana K, Ahmed Raza SE, Yee-Wah T, Snead DR, Cree IA, Rajpoot NM.
Aprendizaje profundo sensible a la localidad para la detección y clasificación de
núcleos en imágenes histológicas de cáncer de colon de rutina. Imagen IEEE
Trans Med2016;35:1196mi206.
73.Martins J, Magalhaes C, Rocha M, Osorio NS. Descubrimiento de neoepítopos de células
T mejorado con aprendizaje automático para el diseño de inmunoterapia. Informar
sobre el cáncer2019;18.1176935119852081.
74.Asaoka Y, Ijichi H, Koike K. Bloqueo de PD-1 en tumores con deficiencia de
reparación de desajustes.N Engl J Med2015;373:1979.
75.Le DT, Uram JN, Wang H, Bartlett BR, Kemberling H, Eyring AD, et al.
Bloqueo de PD-1 en tumores con deficiencia de reparación de
desajustes.N Engl J Med2015;372:2509mi20.
76.Fehlings M, Simoni Y, Penny HL, Becht E, Loh CY, Gubin MM, et al. La
inmunoterapia con bloqueo de puntos de control remodela la
heterogeneidad fenotípica de alta dimensión del CD8 intratumoral
específico de neoantígeno murino!Células T.comuna nacional2017;8:562.
77.Fridman WH, Pages F, Sautes-Fridman C, Galon J. La contextura inmune en
tumores humanos: impacto en el resultado clínico.Cáncer Nacional Rev
2012;12:298mi306.
78.Griffin J, Treanor D. Patología digital en uso clínico: ¿dónde estamos
ahora y qué nos detiene?.histopatología2017;70:134mi45.
79.Granter SR, Beck AH, Papke Jr DJ. AlphaGo, aprendizaje profundo y el
futuro del microscopista humano.Laboratorio Med Arch Pathol2017;141:
619mi21.
80.Sharma G, Carter A. La inteligencia artificial y el patólogo: ¿futuros
enemigos?.Laboratorio Med Arch Pathol2017;141:622mi3.
81.Granter SR. Los informes sobre la muerte del microscopio han sido muy
exagerados.Laboratorio Med Arch Pathol2016;140:744mi5.
82.Yu J, Hu Y, Xu Y, Wang J, Kuang J, Zhang W, et al. LUADpp: un modelo de
predicción eficaz sobre el pronóstico de los adenocarcinomas de pulmón
basado en características mutacionales somáticas.Cáncer de BMC2019;19:263.
83.Yarchoan M, Hopkins A, Jaffee EM. Carga mutacional tumoral y tasa de
respuesta a la inhibición de PD-1.N Engl J Med2017;377:2500mi1.
84.Patel H, Okamura R, Fanta P, Patel C, Lanman RB, Raymond VM, et al.
Correlatos clínicos del ADN tumoral circulante derivado de la sangre en
el cáncer de páncreas.J Hematol Oncol2019;12:130.
85.Li J, Han X, Yu X, Xu Z, Yang G, Liu B, et al. Aplicaciones clínicas de la
biopsia líquida como biomarcadores pronósticos y predictivos en el
carcinoma hepatocelular: células tumorales circulantes y ADN tumoral
circulante.J Exp Clin Cancer Res2018;37:213.
86.Ikeda S, Schwaederle M, Mohindra M, Fontes Jardim DL, Kurzrock R. Las
alteraciones MET detectadas en el ADN tumoral circulante derivado de la
sangre se correlacionan con metástasis óseas y mal pronóstico.J
Hematol Oncol2018;11:76.
87.Iinuma H. Análisis genómico e inmunoterapia mediante biopsia líquida.
Gan To Kagaku Ryoho2019;46:1361mi6.
88.Yan Y, Chen X, Wei J, Gong Z, Xu Z. Combinaciones de inmunoterapia en
pacientes con cánceres de pulmón de células pequeñas.J. Thorac Oncol2019;
14: e244mi5.
Zhijie Xu et al.
89.Ko J, Baldassano SN, Loh PL, Kording K, Litt B, Issadore D. Aprendizaje
automático para detectar firmas de enfermedades en biopsias líquidasduna
guía de usuario.chip de laboratorio2018;18:395mi405.
90.Akinleye A, Rasool Z. Inhibidores de puntos de control inmunológico de PD-L1
como terapia contra el cáncer.J Hematol Oncol2019;12:92.
91.Zhao Z, Zheng L, Chen W, Weng W, Song J, Ji J. Estrategias de administración de
inmunoterapia contra el cáncer: avances recientes y perspectivas futuras.J
Hematol Oncol2019;12:126.
92.Kruger S, Ilmer M, Kobold S, Cadilha BL, Endres S, Ormanns S, et al.
Avances en inmunoterapia contra el cáncer 2019dÚltimas tendencias.J
Exp Clin Cancer Res2019;38:268.
93.Rotte A. Combinación de bloqueadores CTLA-4 y PD-1 para el tratamiento
del cáncer.J Exp Clin Cancer Res2019;38:255.
94.Seebacher NA, Stacy AE, Porter GM, Merlot AM. Desarrollo clínico de
terapias contra el cáncer dirigidas y de base inmunitaria.J Exp Clin
Cancer Res2019;38:156.
95.Li A, Yi M, Qin S, Chu Q, Luo S, Wu K. Perspectivas de combinar el bloqueo
de puntos de control inmunológico con la inhibición de PARP.J Hematol
Oncol2019;12:98.
96.Wang H, Kaur G, Sankin AI, Chen F, Guan F, Zang X. Bloqueo de puntos de
control inmunológico y terapia con células CAR-T en neoplasias malignas
hematológicas.J Hematol Oncol2019;12:59.
97.Arlauckas SP, Garris CS, Kohler RH, Kitaoka M, Cuccarese MF, Yang KS, et
al.En vivoLas imágenes revelan una vía de resistencia mediada por
macrófagos asociada a tumores en la terapia anti-PD-1.Ciencia Transl
Med2017;9:eaa13604.
98.Jenkins RW, Barbie DA, Flaherty KT. Mecanismos de resistencia a los inhibidores de
puntos de control inmunológico.Hno. J Cáncer2018;118:9midieciséis.
99.Boutros C, Tarhini A, Routier E, Lambotte O, Ladurie FL, Carbonnel F,
et al. Perfiles de seguridad de los anticuerpos anti-CTLA-4 y anti-
PD-1 solos y en combinación.Nat Rev Clin Oncol2016;13: 473mi86.
100.Wolchok JD, Chiarion-Sileni V, González R, Rutkowski P, Grob JJ, Cowey CL,
et al. Supervivencia global con nivolumab e imumab combinados en
melanoma avanzado.N Engl J Med2017;377:1345mi56.
101.Wang Q, Xu R. Eventos adversos relacionados con la inmunoterapia (iraE): extracción de
las etiquetas de los medicamentos de la FDA y análisis comparativo.JAMIA Abierto
2019;2:173mi8.
102.Levine AB, Schlosser C, Grewal J, Coope R, Jones SJM, Yip S. Auge de las
máquinas: avances en el aprendizaje profundo para el diagnóstico del cáncer.
Tendencias Cáncer2019;5:157mi69.
103.Niazi MKK, Parwani AV, Gurcan MN. Patología digital e inteligencia
artificial.Lanceta Oncol2019;20:e253mi61.
104.Tizhoosh HR, Pantanowitz L. Inteligencia artificial y patología
digital: desafíos y oportunidades.J Pathol informar2018;9:38.
105.Kim DW, Jang HY, Kim KW, Shin Y, Park SH. Características de diseño de estudios
que informan el rendimiento de algoritmos de inteligencia artificial para el
análisis de diagnóstico de imágenes médicas: resultados de artículos
publicados recientemente.Radiol coreano J.2019;20:405mi10.
106.Wang S, Liu Z, Rong Y, Zhou B, Bai Y, Wei W, et al. El aprendizaje profundo proporciona
un nuevo biomarcador de pronóstico basado en tomografía computarizada para la
predicción de la recurrencia en el cáncer de ovario seroso de alto grado. Radiother
Oncol2019;132:171mi7.
107.Johnson DR, Guerin JB, Ruff MW, Fang S, Hunt CH, Morris JM, et al.
Evaluación de la respuesta al glioma: errores clásicos, nuevos factores de
confusión y herramientas de imágenes emergentes.Br J Radiol2019;92:
20180730.
108.Huemer F, Leisch M, Geisberger R, Melchardt T, Rinnerthaler G, Zaborsky N, et al.
Estrategias combinadas para el bloqueo de puntos de control inmunológico y
predicción de respuesta mediante inteligencia artificial.Int J Mol Ciencia2020;
21:2856.
109.Houy N, Le Grand F. Optimización de las terapias con células inmunitarias con
inteligencia artificial.J Theor Biol2019;461:34mi40.
110.Wang G, Zhao D, Spring DJ, DePinho RA. Genética y biología del cáncer de
próstata.Desarrollador de genes2018;32:1105mi40.
111.Shameer K, Johnson KW, Glicksberg BS, Dudley JT, Sengupta PP. El
todo es mayor que la suma de sus partes: combinar lo clásico
Inteligencia artificial para la inmunoterapia contra el cáncer
Métodos estadísticos y de inteligencia artificial en medicina.Corazón
2018;104:1228.
112.van den Heuvel ER, Vasan RS. Estadísticas en medicina cardiovascular:
todavía hay oro en lo viejo.Corazón2018;104:1227.
113.Stephansen JB, Olesen AN, Olsen M, Ambati A, Leary EB, Moore HE, et al. El
análisis de la red neuronal de las etapas del sueño permite un
diagnóstico eficaz de la narcolepsia.comuna nacional2018;9:5229.
114.Doescher J, Laban S, Schuler PJ, Brunner C, Hoffmann TK. Inmunoterapia
para cánceres de cabeza y cuello: una actualización y perspectivas de
futuro.Inmunoterapia2019;11:561mi4.
115.Kohn MS, Sun J, Knoop S, Shabo A, Carmeli B, Sow D, et al. Análisis de
salud y soporte de decisiones clínicas de IBM.Informe médico anual
2014;9:154mi62.
116.Rabbani M, Kanevsky J, Kafi K, Candelabro F, Giles FJ. Papel de la inteligencia
artificial en la atención de pacientes con cáncer de pulmón de células no
pequeñas.Eur J Clin Invest2018;48:e12901.
117.Treiber JM, Steed TC, Brandel MG, Patel KS, Dale AM, Carter BS, et al.
Fisiología molecular de la mejora del contraste en glioblastomas:
un análisis del Cancer Imaging Archive (TCIA).J Clin Neurosci2018;
55:86mi92.
118.Yankeelov TE. La red de imágenes cuantitativas: una década de
logros.Tomografía2019;5:A8.
119.Liu Z, Wang S, Dong D, Wei J, Fang C, Zhou X, et al. Las aplicaciones de la
radiómica en el diagnóstico y tratamiento de precisión de la oncología:
oportunidades y desafíos.teranóstica2019;9:1303mi22.
120.Li X, Wang H, He H, Du J, Chen J, Wu J. Diagnóstico inteligente con registros
médicos electrónicos chinos basados en redes neuronales
convolucionales.BMC Bioinf2019;20:62.
121.Yu KH, Beam AL, Kohane IS. Inteligencia artificial en la salud. Nat
Biomed Eng2018;2:719mi31.
122.Limkin EJ, Sun R, Dercle L, Zacharaki EI, Robert C, Reuze S, et al.
Promesas y desafíos para la implementación de la imagen médica
computacional (radiómica) en oncología.Ann Oncol2017;28: 1191mi
206.
123.Hutson M. ¿Se ha convertido la inteligencia artificial en alquimia?Ciencia
2018;360:478.
124.Nundy S, Montgomery T, Wachter RM. Promover la confianza entre
pacientes y médicos en la era de la inteligencia artificial.J Am Med
Assoc2019;322:497mi8.
125.Challen R, Denny J, Pitt M, Gompels L, Edwards T, Tsaneva-Atanasova
K. Inteligencia artificial, sesgo y seguridad clínica.BMJ Qual Saf2019;
28:231mi7.
126.Nagendran M, Chen Y, Lovejoy CA, Gordon AC, Komorowski M, Harvey H,
et al. Inteligencia artificialversusMédicos: revisión sistemática del diseño,
estándares de informes y afirmaciones de estudios de aprendizaje
profundo.BMJ2020;368:m689.
127.Camerer CF, Dreber A, Holzmeister F, Ho TH, Huber J, Johannesson M, et
al. Evaluación de la replicabilidad de experimentos de ciencias sociales
enNaturalezayCienciaentre 2010 y 2015.Comportamiento Nat Hum2018;
2:637mi44.
3405
128.Ebrahim S, Sohani ZN, Montoya L, Agarwal A, Thorlund K, Mills EJ, et
al. Nuevos análisis de datos de ensayos clínicos aleatorios.J Am Med
Assoc2014;312:1024mi32.
129.Wallach JD, Boyack KW, Ioannidis JPA. Prácticas de investigación
reproducibles, transparencia y datos de acceso abierto en la literatura
biomédica, 2015mi2017.PLoS Biol2018;dieciséis:e2006930.
130.Kappen TH, van Klei WA, van Wolfswinkel L, Kalkman CJ, Vergouwe Y,
Moons KGM. Evaluación del impacto de los modelos de predicción:
lecciones aprendidas, desafíos y recomendaciones.Res. Prog.
Diagnóstico2018;2:11.
131.Sinigaglia M, Assi T, Besson FL, Ammari S, Edjlali M, Feltus W, et al. Medicina de
precisión guiada por imágenes en pacientes con glioblastoma tratados con
moduladores de puntos de control inmunológico: tendencia de investigación y
direcciones futuras en el campo de los biomarcadores de imágenes y la
inteligencia artificial.Res. EJNMMI2019;9:78.
132.Zaharchuk G. Fellow in a box: combinación de inteligencia artificial y conocimiento del
dominio con redes bayesianas para el diagnóstico diferencial en neuroimagen.
Radiología2020;295:638mi9.
133.Jabbari P, Rezaei N. Inteligencia artificial e inmunoterapia.Expert Rev
Clin Immunol2019;15:689mi91.
134.Collins FS, Varmus H. Una nueva iniciativa sobre medicina de precisión.N
Engl J Med2015;372:793mi5.
135.Chang K, Balachandar N, Lam C, Yi D, Brown J, Beers A, et al. Redes
distribuidas de aprendizaje profundo entre instituciones de imágenes
médicas.J Am Med Inf Assoc2018;25:945mi54.
136.Crawford K, Calo R. Hay un punto ciego en la investigación de la IA.Naturaleza
2016;538:311mi3.
137.Cabitza F, Rasoini R, Gensini GF. Consecuencias no deseadas del
aprendizaje automático en medicina.J Am Med Assoc2017;318:517mi8.
138.Topol EJ. Medicina de alto rendimiento: la convergencia de la
inteligencia humana y artificial.Nat Med2019;25:44mi56.
139.Verghese A, Shah NH, Harrington RA. Lo que esta computadora necesita
es un médico: humanismo e inteligencia artificial.J Am Med Assoc 2018;
319:19mi20.
140.McCartney M. Margaret McCartney: La IA en medicina debe probarse
rigurosamente.BMJ2018;361:k1752.
141.Esteva A, Robicquet A, Ramsundar B, Kuleshov V, DePristo M, Chou K, et al. Una
guía para el aprendizaje profundo en la atención sanitaria.Nat Med2019; 25:24
mi9.
142.Stilgoe J. Aprendizaje automático, aprendizaje social y gobernanza de los
vehículos autónomos.Ciencia social2018;48:25mi56.
143.Winfield AFT, Jirotka M. La gobernanza ética es esencial para generar confianza
en la robótica y los sistemas de inteligencia artificial.Philos Trans A
Matemáticas Física Eng Ciencias2018;376:20180085.
144.Macrae C. Gobernando la seguridad de la inteligencia artificial en la atención
sanitaria.BMJ Qual Saf2019;28:495mi8.
145.Zeng S, Wang D, Yan Y, Zhu M, Liu W, Gong Z, et al. Análisis
unicéntrico del posible uso inadecuado de medicamentos
intravenosos en pacientes hospitalizados en China.Clin Ther2019;
41: 1631mi1637 e4.