Traducido del inglés al español - www.onlinedoctranslator.

com

TIPORevisar
PUBLICADO04 enero 2023
DOI10.3389/fimmu.2022.1076883

Avances en inteligencia artificial para

ACCESO ABIERTO predecir el cáncer
eficacia de la inmunoterapia
EDITADO POR

Manuel Juan,
Hospital Clínic de Barcelona, España

REVISADO POR
Sergio Navarro Velázquez, Hospital Jin Dong Xie1†, Xiyuan Luo2†, Xinpei Deng1†, Yuhui Tang1,
Clínic de Barcelona, España Michael
Dennis, Wenwen Tian1, Hui Cheng2, Junsheng Zhang1, Yutian Zou1* ,
Universidad de California, San Diego,
Estados Unidos
Zhixing Guo1* y Xiaoming Xie1*
* CORRESPONDENCIA
1 Centro Oncológico de la Universidad Sun Yat-sen, Laboratorio Estatal Clave de Oncología en el Sur de China, Centro de

Xiaoming Xie Innovación Colaborativa para la Medicina del Cáncer, Guangzhou, China,2Facultad de Medicina, Universidad Sun Yat-sen,

xiexm@sysucc.org.cn Guangzhou, China

Zhixing Guo
guozhx@sysucc.org.cn
Yu Tian Zou
zouyt@sysucc.org.cn
La inmunoterapia tumoral, en particular el uso de inhibidores de puntos de
Estos autores han contribuido
control inmunológico, ha producido beneficios clínicos impresionantes. Por lo
†

igualmente a este trabajo.

tanto, es fundamental evaluar con precisión a los individuos para determinar la
SECCIÓN DE ESPECIALIDAD

Este artículo fue enviado a

sensibilidad a la inmunoterapia y pronosticar su eficacia. Con la aplicación de la
Cancer Immunity inteligencia artificial (IA) en el campo médico en los últimos años, un número
e Inmunoterapia, cada vez mayor de estudios ha indicado que la eficacia de la inmunoterapia se
una sección de la revista
Frontiers in Immunology puede anticipar mejor con la ayuda de la tecnología de IA para alcanzar la
medicina de precisión. Este artículo se centra en los modelos de predicción
RECIBIÓ22 de octubre de 2022
ACEPTADO09 diciembre 2022 actuales basados en información de diapositivas histopatológicas, ómicas de
PUBLICADO04 enero 2023 imágenes, genómica y proteómica, y revisa sus avances y aplicaciones de
CITACIÓN investigación. Además, también discutimos los desafíos existentes que enfrenta
Xie J, Luo X, Deng X, Tang Y, Tian W, la IA en el campo de la inmunoterapia, así como las direcciones futuras que
Cheng H, Zhang J, Zou Y, Guo Z y Xie X
(2023) Avances en inteligencia artificial deben mejorarse.
para predecir el cáncer
eficacia de la inmunoterapia.
PALABRAS CLAVE
Frente. Inmunol.13:1076883. doi:
10.3389/fimmu.2022.1076883 inteligencia artificial, inmunoterapia, aprendizaje profundo, multiómica, genómica

DERECHOS DE AUTOR

© 2023 Xie, Luo, Deng, Tang, Tian, Cheng,

Zhang, Zou, Guo y Xie. Este es un artículo de
acceso abierto distribuido bajo los términos
delLicencia de atribución Creative
Commons (CC BY).Se permite el uso,
distribución o reproducción en otros foros,
siempre que se cite al autor(es) original(es) 1. Introducción
y al propietario(s) de los derechos de autor
y se cite la publicación original en esta
revista, de acuerdo con la práctica La inmunoterapia tumoral es el proceso de controlar y eliminar tumores reiniciando el ciclo inmunológico
académica aceptada. Es inútil, del tumor y restaurando la respuesta inmune antitumoral natural del cuerpo. Los inhibidores de puntos de

Se permite la distribución o control inmunológico (ICI), la terapia con células T con receptores de antígenos quiméricos, las vacunas contra
reproducción que no cumpla con estos tumores y la inmunoterapia peripatética son las principales modalidades de inmunoterapia utilizadas
términos.
actualmente.1). Estas terapias, especialmente el uso de ICI como PD-1 y CTLA-4, han logrado éxito en una

fracción importante de los pacientes, enriqueciendo enormemente los tratamientos de oncología clínica

predominantes (2). Sin embargo, todavía se encuentra en la clínica que parte de la población no es sensible a

estos medicamentos, e incluso el resultado del tratamiento no es tan bueno como el de los medicamentos de

quimioterapia tradicionales. Por lo tanto, es crucial evaluar a los pacientes que

Fronteras enInmunología 01 fronterassin.org

Xie et al.
beneficiarse de la inmunoterapia. Si bien varios de los predictores
actuales, como PD-L1, carga mutacional tumoral, inestabilidad de
microsatélites, etc., no abordan suficientemente esta cuestión (3,
4).
En los últimos años, la aplicación de la inteligencia artificial (IA) en el
área médica se ha expandido significativamente (5). Los ejemplos incluyen
robots quirúrgicos, que han demostrado ofrecer ventajas distintivas. Los
académicos han realizado numerosos intentos de aplicar la IA para
predecir la eficacia de la inmunoterapia, por ejemplo, estableciendo
puntuaciones de predicción de la inmunoterapia para predecir la eficacia
del tratamiento y detectar eficazmente a los pacientes que pueden
beneficiarse de la inmunoterapia (6).
2 Descripción general de la
inteligencia artificial para predecir
la eficacia de la inmunoterapia
La estrategia general para utilizar la IA para predecir la eficacia de la
inmunoterapia (Figura 1)es configurar una cohorte de entrenamiento y una
cohorte de validación, tomar los datos médicos de múltiples escalas de la
cohorte de entrenamiento, adquirir, filtrar, segmentar, extraer y
seleccionar características, entregarlas a la IA para que las aprenda y
modele, y luego utilizarlas. la cohorte de validación para verificar los
resultados del aprendizaje (7,8). Estos datos médicos multiescala pueden
incluir tejido patológico, imágenes ómicas de CT/MR, genómica,
proteómica y más. El resultado de aprendizaje deseado es que la IA pueda
pronosticar si un paciente se beneficiará de la inmunoterapia o, al menos,
recomendar qué pacientes requieren más evaluación, como WGS. También
se utiliza para predecir qué fármaco de inmunoterapia será más eficaz para
el paciente.
FIGURA 1
El flujo de trabajo para utilizar la IA para predecir la eficacia de la inmunoterapia. El primer paso es recopilar datos médicos multiescala que incluyan tejido
patológico, imágenes ómicas de CT/MR, genómica, proteómica y más. filtrar, segmentar, extraer y seleccionar características. Luego, divida estos datos en una
cohorte de entrenamiento y una cohorte de validación. Luego, tome los datos de la cohorte de entrenamiento, entregándolos a la IA para su aprendizaje y
modelado. Y luego utilice la cohorte de validación para verificar los resultados del aprendizaje y finalmente se desarrollará un modelo clínicamente aplicable.
Fronteras enInmunología
10.3389/!mmu.2022.1076883
3 Los enfoques existentes para
predecir los resultados de la
inmunoterapia
3.1 La IA predice la eficacia de la inmunoterapia
mediante características histopatológicas
El estándar de oro para la identificación de tumores son las secciones
histopatológicas de tejido, que también proporcionan una gran cantidad de
información que puede utilizarse para determinar la progresión de la
enfermedad, seleccionar planes de tratamiento individualizados y predecir la
supervivencia del paciente. Sin embargo, debido al enorme trabajo requerido por
los expertos para extraer información de imágenes complejas, los
procedimientos histopatológicos tradicionales no pueden satisfacer las demandas
de la medicina de precisión.9). Actualmente, la patología digital basada en IA se
ha utilizado con éxito en el diagnóstico y tratamiento de tumores. Esta tecnología
tiene una amplia gama de aplicaciones futuras, incluida la mejora de la precisión
del diagnóstico patológico, la formulación de planes de tratamiento, la predicción
del pronóstico del paciente y la reducción de la carga de trabajo manual, entre
otras (10). Por ejemplo, la IA puede segmentar e identificar células tumorales en
portaobjetos de patología y cuantificar con precisión los resultados de la tinción
inmunohistoquímica (11). Así, las técnicas de aprendizaje automático basadas en
análisis histopatológicos proporcionan estrategias novedosas para predecir la
respuesta a la inmunoterapia tumoral.12). Entre estos, se investigan ampliamente
el análisis inmunohistoquímico (IHC), los linfocitos infiltrantes de tumores (TIL), la
relación tumor-estroma (TSR) y la inestabilidad de microsatélites.
Las células tumorales que expresan PD-L1 pueden suprimir la respuesta
inmune uniéndose a PD-1 en las células T, y los ICI son una estrategia antitumoral
para bloquear esta interacción. Los estudios han demostrado que los niveles de
expresión de PD-L1 se correlacionan con la respuesta a la inmunoterapia
02 fronterassin.org
Xie et al.
y resultados clínicos. Investigaciones anteriores han demostrado que un
analizador basado en la puntuación de la proporción tumoral PD-L1 impulsado
por IA puede identificar el cáncer de pulmón de células no pequeñas (CPCNP) de
manera más efectiva que un patólogo al predecir la respuesta a la inmunoterapia,
y sus resultados son objetivos y repetibles sin intervención humana. error (13).
Además, la ausencia del mecanismo de reparación de desajustes defectuosos
(MMR) del ADN causado por mutaciones en el gen MMR da como resultado la
acumulación de mutaciones genómicas somáticas, que están estrechamente
asociadas con la respuesta ICB.14). Para los tumores colorrectales con deficiencia
de MMR y con capacidad de MMR, Le et al. (15) descubrieron tasas de respuesta
objetiva relacionada con el sistema inmunitario del 40% y el 0%, respectivamente,
lo que sugiere que el estado de MMR se puede utilizar para predecir la respuesta
clínica en pacientes tratados con inhibidores de puntos de control inmunitarios.
Además, muchos estudios han confirmado que los niveles más altos de
infiltración y recuento de células T están relacionados con un mejor bloqueo de
los puntos de control inmunológico (dieciséis).
Microsatélite se refiere a varias secuencias de ADN cortas y repetitivas
en el genoma. La inestabilidad de los microsatélites está asociada con la
reparación de errores de coincidencia del ADN y está involucrada en el
desarrollo de muchas neoplasias malignas. Se encontró que los tumores
con alta inestabilidad de microsatélites responden bien a la inmunoterapia
(17). Kather et al. (18) demostraron que el aprendizaje profundo tiene el
potencial de detectar con rapidez y precisión a los pacientes aptos para la
inmunoterapia mediante la identificación precisa del estado de estabilidad
de los microsatélites de los pacientes con cáncer gastrointestinal. Además,
la IA puede reconocer linfocitos, células tumorales y estroma
mesenquimatoso en la sección y utilizar reconstrucción tridimensional para
resaltar la distribución espacial de diferentes tipos de células, que es otro
factor potencial para evaluar la eficacia de la inmunoterapia (19).
FIGURA 2
Evaluación basada en IA de la eficacia de la inmunoterapia mediante características histopatológicas. Este es un ejemplo del uso de la IA para pronosticar la
eficacia de la inmunoterapia. Con la ayuda de la IA, se puede extraer información más específica de los tejidos patológicos clínicos, incluidos componentes del
microambiente tumoral y pequeños componentes moleculares como receptores, ligandos, citocinas, ácidos nucleicos, etc. A partir de estos elementos, la IA
recopila datos relacionados con inmunoterapia para pronosticar la eficacia.
Fronteras enInmunología
10.3389/!mmu.2022.1076883
TIL está estrechamente asociado con la inmunoterapia y se pueden
utilizar modelos de redes neuronales convolucionales profundas para
determinar su distribución a partir de imágenes teñidas con eosina-
hematoxilina (HE). Al evaluar los tipos de células inmunitarias en la matriz
del tejido tumoral y clasificar a los pacientes en tipos A y B, Zheng et al. (20)
construyeron un clasificador de fenotipo inmunológico relevante para el
pronóstico. Se observaron niveles más altos de ICB en el fenotipo A, lo que
indicó un efecto y pronóstico de inmunoterapia superiores. Además, existe
una estrategia de un extremo a otro para entrenar DL directamente en
datos de respuesta o resultados, que utiliza redes neuronales
convolucionales (CNN) o redes neuronales gráficas (GNN) para predecir las
respuestas de inmunoterapia. Según estos ensayos, las AUC para predecir
los respondedores en cáncer de pulmón y melanoma fueron 0,778 y 0,69,
respectivamente (21).
La carga mutacional tumoral (TMB) se define como el número de
variantes de un solo nucleótido no sinónimos (NsSNV) en las células
tumorales que pueden transcribirse en nuevos péptidos antigénicos y
presentarse en la superficie celular, activando así las células T.22). Se ha
demostrado que la TMB alta es un biomarcador predictivo de cáncer de
pulmón (23). Investigaciones recientes sugieren que los sistemas de
aprendizaje profundo pueden usarse para predecir respuestas inmunes. El
estudio utilizó imágenes teñidas con HE para predecir el estado de TMB y
alcanzó un AUC de 0,78-0,98 en el grupo de validación externa, mucho más
alto que utilizando datos clínicos únicamente (24).
La IA tiene un avance prometedor en la predicción de la respuesta a la
inmunoterapia tumoral y puede examinar el estado de desarrollo del tumor
a través de datos patológicos. Su algoritmo y resultados de análisis pueden
estar altamente estandarizados y compartidos, lo que puede ayudar a
avanzar en la medicina y actualizar la medicina de precisión (Figura 2).
03 fronterassin.org
Xie et al.
3.2 La IA predice la eficacia de la inmunoterapia mediante
características ómicas de imágenes
Con el avance constante de los equipos y la tecnología de imágenes
médicas, las imágenes médicas ya no son simplemente imágenes o están
restringidas al tradicional "diagnóstico asistido por computadora (CAD)",
sino que también contienen datos explotables de alto rendimiento que no
son reconocibles a simple vista (25). La histología de imágenes se refiere a
la caracterización de imágenes basada en IA que puede proporcionar
información más detallada que los gráficos individuales, mostrando
características macroscópicas, moleculares y celulares (26, 27). Además, los
modelos predictivos basados en IA pueden proporcionar biomarcadores
no invasivos fiables para evaluar la respuesta inmunoterapéutica. Entre
varios biomarcadores, la expresión de PD-L1 ha sido bien validada en
inmunoterapia, y un modelo combinado basado en radiómica de TC y
características clínicas puede evaluar los niveles de expresión de PD-L1 de
forma no invasiva (28). Sol y cols. (29) seleccionaron 135 pacientes con
tumores en diferentes localizaciones derivados de ensayos clínicos de fase I
en monoterapia con PD-1/PD-L1. Establecieron un modelo de imágenes
predictivo basado en imágenes de TC combinando imágenes de TC
mejoradas con datos genómicos de secuencia de ARN de tejidos de biopsia
de tumores. Este modelo puede analizar las señales de CD8 que se infiltran
en tumores y distinguir entre tipos de inmunoinfiltración e
inmunodetección, lo que lo convierte en un método eficaz para predecir los
resultados clínicos de pacientes con tumores sólidos avanzados después de
la inmunoterapia. Mu et al. (30) analizaron los datos iniciales de PET/CT de
194 pacientes con NSCLC en estadio IIIB-IV tratados con inhibidores de
PD-1/PD-L1, y desarrollaron modelos de firma histológica de imágenes
multiparamétricas que predicen con éxito si los pacientes recibirían un
beneficio clínico sostenido de la inmunoterapia. Sin embargo, aún se
necesitan más investigaciones para determinar si los modelos que utilizan
varias fuentes de datos pueden funcionar mejor que los modelos que
simplemente utilizan radiómica.
TMB también es bien conocido por ser uno de los indicadores
importantes de la eficacia de las ICI. Él y otros. (31) utilizaron técnicas
de aprendizaje profundo para analizar imágenes de TC de pacientes
con NSCLC avanzado y establecer biomarcadores radiómicos de TMB,
que tienen un alto valor predictivo para la respuesta al tratamiento
con ICI, la supervivencia general (SG) y la supervivencia libre de
progresión (SSP). Además, Trebeschi et al. (32) utilizaron técnicas de
IA para estudiar el análisis de imágenes de TC mejoradas antes del
tratamiento de pacientes con melanoma maligno progresivo y NSCLC
tratados con PD-1, y descubrieron que las lesiones con morfología
más heterogénea, lo que significa bordes compactos y densidad no
homogénea, tenían más probabilidades de responder a
inmunoterapia. Además, existe una asociación sustancial entre los
índices histológicos de imágenes y las vías relacionadas con la mitosis,
lo que sugiere que un mayor potencial proliferativo puede indicar una
mejor eficacia de la inmunoterapia.
Sin embargo, a pesar de que la hiperprogresión (progresión
tumoral rápida después de la inmunoterapia) se asocia con un
mal pronóstico, no existen biomarcadores validados para
Fronteras enInmunología
10.3389/!mmu.2022.1076883
identificar a los pacientes en riesgo de padecerla (33,34). Vaidya et al. (
35) resumieron retrospectivamente los datos clínicos y de imagen de
109 pacientes con NSCLC avanzado tratados con monoterapia
inmunosupresora PD-1/PD-L1, 19 de los cuales mostraron
hiperprogresión. Y los investigadores extrajeron características
texturales de las imágenes de TC basales de los pacientes que reflejan
la textura dentro y alrededor de la lesión objetivo, así como
características histológicas que cuantifican el grado de tortuosidad
vascular perilesión, que de alguna manera pueden predecir si los
pacientes desarrollarán hiperprogresión.
En general, las puntuaciones de calidad radiómica (RQS) de la mayoría de los
estudios oscilaron entre 11 y 20 de una puntuación máxima posible de 36 puntos
(36). Indica que el análisis ómico de imágenes basado en IA puede profundizar en
la heterogeneidad espaciotemporal de los tumores y desempeña un papel
importante en la predicción de la respuesta a la inmunoterapia, la expresión de
biomarcadores y el pronóstico del paciente, particularmente en ausencia de
muestras histopatológicas. Estudios más profundos de histología por imágenes
pueden ayudar en el diagnóstico de pacientes elegibles para inmunoterapia, la
evaluación del riesgo de enfermedades y la medicina de precisión.
3.3 La IA predice la eficacia de la inmunoterapia mediante
la genómica
Gracias a los avances en la tecnología de secuenciación, ahora se ha
acumulado una gran cantidad de datos genómicos del cáncer, lo que
proporciona recomendaciones más precisas para dirigir la inmunoterapia
tumoral. El desarrollo de tecnologías de secuenciación de próxima
generación (NGS) ha permitido un cribado genómico y transcriptómico
integral. Esto permite generar conjuntos de datos para analizar los
impulsores del tumor, así como secuenciar células cancerosas, células
estromales y células inmunes dentro del microambiente tumoral para
revelar las características de los efectos terapéuticos (37). El genoma
humano contiene más de 3 mil millones de pares de bases, lo que lo
convierte en un vasto espacio de datos de alta dimensión con información
muy complicada. La secuenciación del genoma completo (WGS) ofrece la
información más completa sobre el genoma, pero clasificar los genes, los
fenotipos y sus relaciones interreguladoras requiere la ayuda de la IA, en
particular técnicas de aprendizaje profundo. Xie et al. (38) desarrollaron un
modelo predictivo que integraba datos genómicos desde múltiples
perspectivas, como TMB, inestabilidad de microsatélites y variación del
número de copias de células somáticas en muchos tipos diferentes de
tumores para diferenciar eficazmente entre pacientes inmunes "fríos" y
"calientes". El modelo se validó externamente utilizando datos de ensayos
clínicos, que mostraron que los pacientes del grupo hiperinmune
respondían mejor a la inmunoterapia y tenían un mejor pronóstico. Al
secuenciar secuencias WES y ARN de 110 pacientes con melanoma
metastásico, Van Allen et al. (39) encontraron que las tasas de respuesta
individual a anti-CTLA4 se correlacionaban con TMB y marcadores
citolíticos. También se ha demostrado que la expresión y los niveles
variantes de genes relacionados con las plaquetas están estrechamente
relacionados con el pronóstico y
04 fronterassin.org
Xie et al. 10.3389/!mmu.2022.1076883

respuesta de inmunoterapia en pacientes con cáncer de mama triple
negativo (40). Estos estudios proporcionaron una dirección para explorar la
respuesta variable a los inhibidores de puntos de control inmunológico y la
identificación de biomarcadores de pronóstico.
Además, todavía es necesario agregar algunos factores del
transcriptoma al análisis genómico para predecir completamente la
respuesta inmune y explicar la resistencia a los medicamentos.41). Al
combinar la secuenciación del exoma y el transcriptoma con
espectrometría de masas, Yadav et al. (42) descubrieron péptidos mutantes
inmunogénicos con especificidad de MHC que podrían ser útiles para el
desarrollo de vacunas individualizadas. Además, Mo et al. (43) desarrollaron
una plataforma de detección de alto rendimiento utilizando placas de 384
pocillos para observar las interacciones inmunitarias tumorales mediante el
cocultivo de células mononucleares de sangre periférica (PBMC) y células
cancerosas en cada pocillo para evaluar el valor agregado y la viabilidad
celular y detectar fenotipos de crecimiento celular. También probaron los
efectos de múltiples compuestos bioactivos e identificaron tres
antagonistas potenciales para mejorar la actividad inmune. Algunos
estudiosos también han demostrado mediante perfiles epigenéticos que el
panorama de metilación del ADN de las células CART19 de los pacientes
influye en la eficacia del tratamiento de inmunoterapia celular en pacientes
con células B malignas (44).
3.4 Otros
Numerosos estudios han utilizado la IA para una variedad de
aplicaciones de inmunoterapia tumoral (tabla 1). La tecnología actual
de biopsia líquida ofrece un enfoque más accesible y flexible para el
diagnóstico y tratamiento de tumores, que está representado por la
detección del ADN de las células tumorales circulantes. En
inmunoterapia, se están desarrollando cada vez más biomarcadores
genéticos líquidos para predecir la eficacia terapéutica de los ICI. (59),
y la información biológica molecular en muestras líquidas puede
identificarse y detectarse automáticamente mediante tecnología de IA (45).
Además, algunos biomarcadores se utilizan para excluir enfermedades
hiperprogresivas o pseudoprogresivas después de la inmunoterapia,
incluidas las citocinas plasmáticas, las interleucinas y el ADN de las células
tumorales circulantes.60).
Además de la genómica y las imágenes, las tecnologías proteómicas se
han explorado ampliamente para identificar biomarcadores de la eficacia
de la inmunoterapia tumoral.46). Se ha desarrollado un modelo de prueba
de proteómica sérica basado en IA para predecir la respuesta a los ICI en
pacientes con melanoma metastásico (48). La aplicación de modelos de IA
basados en multiómicas para predecir las respuestas de la inmunoterapia
tumoral también es prometedora. La multiómica integra genómica,
transcriptómica, epigenómica, proteómica y radiómica, lo que permite una
caracterización más completa de la enfermedad con datos de diferentes
fuentes (49). Basado en el concepto multiómico, Yi Yang et al. (50)
construyeron un modelo de predicción de 90 días basado en aprendizaje
profundo utilizando edad, sexo, historial médico, datos de referencia,
pruebas de laboratorio de rutina y tomografías computarizadas de
seguimiento de pacientes con NSCLC para distinguir mejor a los que
responden a la inmunoterapia de los que no responden. De manera similar,
Arsela Prelaj et al. (61) utilizaron técnicas de aprendizaje automático para
predecir la SG y la SSP en los que respondieron y en los que no
respondieron en un estudio del mundo real. Además, Peng Song et al. (51)
sugirieron combinar la secuenciación de ADN y ARN, resultados de
tinciones inmunohistoquímicas, datos demográficos iniciales, historial
médico y resultados de pruebas de laboratorio para analizar la información
relacionada con la eficacia y romper la limitación de confiar únicamente en
el nivel de expresión de PD-1 y el nivel de TMB para predecir. respuesta de
inmunoterapia y desarrollar un modelo maduro para la predicción de la
respuesta de inmunoterapia para pacientes chinos con cáncer de pulmón.
Junto con la expresión de PD-L1, TMB y TIL, se ha demostrado que las
anomalías de miARN (62), EGFR

TABLA 1 Varias estrategias que han demostrado predecir los resultados de la inmunoterapia con IA.

Predicción
Indicadores de pronóstico Resultados Referencias
método

Biopsia liquida ADN de células tumorales circulantes, Las células tumorales circulantes se pueden utilizar como sistema de detección en tiempo real para objetivos como PD-1; la caída del (45–47)
citocinas, niveles de complemento ADN tumoral circulante se correlacionó positivamente con una mejor supervivencia general; Los niveles séricos de C1q y LDH se

sérico, etc. correlacionaron con la eficacia de la inmunoterapia.

Multiómicas Genómica, transcriptómica, Los modelos de IA basados en multiómicas presentan una oportunidad de comprender el flujo de información detrás de la (48–50)
datos epigenómica, proteómica, enfermedad. Pueden evaluar si cada componente del modelo promueve la enfermedad individualmente o si trabajan juntos
radiómica, etc. para tratarla.

Datos clinicos Datos de referencia de la población, Se pueden construir modelos predictivos que distingan a quienes responden a la inmunoterapia de los que no responden utilizando datos sobre la edad del (51)
historial médico, resultados de paciente, el sexo, el historial médico, las pruebas de laboratorio convencionales y las tomografías computarizadas de seguimiento.

exámenes, etc.

Tumor Microambiente tumoral, Los organoides son muy similares al tejido tumoral original, que puede imitar mejor elen vivo (52,53)
organoides interacción inmune-tumoral, respuesta de la inmunoterapia y observar la eficacia
etc.

Otros Anomalías de miARN, mutaciones o Los niveles de expresión de miARN, el reordenamiento de ALK, la mutación de EGFR y la diversidad microbiana intestinal se (54–58)
recombinaciones genéticas, microbios relacionaron con el efecto del tratamiento anti-PD-1.
intestinales, etc.

IA, inteligencia artificial; PD-1, proteína 1 de muerte celular programada; ADN, ácido desoxirribonucleico; C1q, componente 1 del complemento, subcomponente q; LDH, lactato deshidrogenasa; TC,
tomografía computarizada; miARN, ácido micro ribonucleico; ALK, quinasa del linfoma anaplásico; EGFR, receptor del factor de crecimiento epidérmico.

Fronteras enInmunología 05 fronterassin.org

Xie et al.
mutaciones (54), mutaciones TP53 (63), reordenamientos de ALK (55),
microbiota intestinal (56), receptor Fc gamma (FcgramoR)
polimorfismos (57) y niveles de complemento sérico (58) todos
influyen en la respuesta de la inmunoterapia hasta cierto punto.
Facilitaría la solidez de la predicción si esta información pudiera
fusionarse con secciones patológicas e histología de imágenes para
formar datos integrados multiómicos.
Además, los órganos similares a tumores sirven como un modelo
de detección útil para la inmunoterapia porque pueden reproducir
con precisión el microambiente del tumor y al mismo tiempo generar
in vitrointeracciones inmune-tumorales (47). Se prevé que la
incorporación de IA en organoides superará los desafíos de seguridad
e individualización de la predicción convencional al establecer una
plataforma productiva para la recolección de tejidos, tumores. in vitro
cultivo, análisis de crecimiento y detección de medicamentos (52). La
IA también podría predecir las respuestas del ICB centrándose en las
vías de presentación de antígenos (64) y el índice de necroptosis
celular (CNI) (53).
4 direcciones futuras
Aunque la mayoría de los estudios han demostrado que sus modelos
han funcionado tan bien o mejor que los médicos, sólo existen unas pocas
aplicaciones exitosas en el mundo real (sesenta y cinco). La falta de una
base de datos uniforme, estándares industriales, situaciones de
aplicaciones clínicas especializadas, asistencia normativa y normativa, etc.,
pueden contribuir a los desafíos de implementación (figura 3).
En primer lugar, hay relativamente pocas investigaciones prospectivas
y ensayos clínicos aleatorios relacionados con el uso de IA en
inmunoterapia, y estos estudios están muy sesgados. Por lo tanto,
deberíamos aumentar la transparencia del diseño experimental, fortalecer
la correlación con la realidad clínica y reducir el error sistemático.
FIGURA 3
Los dilemas y soluciones para predecir la eficacia de la inmunoterapia con IA. El lado izquierdo describe las dificultades actuales que encontró la IA y el lado
derecho propone posibles soluciones. Y sólo la excelente cooperación entre la inteligencia artificial y la inteligencia humana puede lograr el mejor efecto de
predicción.
Fronteras enInmunología
10.3389/!mmu.2022.1076883
Además, debemos proteger los intereses de los pacientes, minimizar el desperdicio de
investigación, considerar la racionalidad de la cohorte y evitar exagerar irracionalmente
los resultados de la investigación y sus posibles aplicaciones.
En segundo lugar, debido a la escasez de códigos y fuentes de
datos, es difícil replicar completamente los modelos de IA. Además, es
un desafío evaluar la estabilidad de diferentes modelos debido a
varios métodos de preprocesamiento y objetivos de predicción
inconsistentes. Además, los biomarcadores pueden diferir del tumor
primario al tumor metastásico (66), lo que hace que sea mucho más
difícil determinar la predicción óptima para un determinado tipo de
tumor. Por lo tanto, debemos promover el intercambio de códigos
entre campos y el desarrollo de conjuntos de datos estandarizados.
En tercer lugar, se debe fomentar la fusión de datos multiómicos
para crear un sistema médico que sea más preciso, individualizado y
predecible. La IA tiene un modelo de reconocimiento único que puede
identificar y combinar rápidamente grandes cantidades de
información de una manera que los humanos no pueden. Un modelo
predictivo ideal para inmunoterapia basado en IA debería incluir toda
la información clínica relevante sobre el paciente (genómica,
imágenes, proteómica, tejido patológico, información demográfica,
historial médico, etc.). Dado que conceptos como el análisis pan-
cáncer se han reflejado en la evaluación de la eficacia de PD-1/PD-L1 (
67), es importante promover la integridad y la objetividad de la
recopilación de datos para facilitar el intercambio de grandes datos
de múltiples centros. Esto es muy prometedor para el futuro de la
inmunoterapia (68).
En cuarto lugar, debemos comprender cómo se sienten los
pacientes, los profesionales médicos y el público en general sobre el
uso de la IA en el sistema sanitario. Para fomentar la aplicación de la
IA en usos prácticos, también debemos considerar cuidadosamente el
modelo de pago por servicio y abordar los intereses comunes de los
pacientes, los seguros médicos, los médicos y los ingenieros de la
información. Además, un sólido sistema de gestión y supervisión.
06 fronterassin.org
Xie et al.
debe establecerse para reducir los peligros reales y garantizar la
seguridad de este sistema en desarrollo (69,70).
Por último, pero no menos importante, se debe establecer un entorno
legal y ético razonable para facilitar el intercambio de big data y el uso
multiregional y multicéntrico de los sistemas de IA, garantizando que sean
éticos y que las responsabilidades correspondientes de cada sector sean
claras. .
En resumen, debido a la complejidad de la predicción de la
inmunoterapia, los investigadores científicos, las empresas y los médicos
deben colaborar para crear bases de datos y estándares industriales,
eliminar barreras técnicas y apoyar el desarrollo de sistemas asistidos por
IA que puedan identificar con precisión la población objetivo de la
inmunoterapia. predecir con precisión la eficacia y el pronóstico, y
promover la implementación de tratamientos asistidos por IA mientras se
gana la confianza tanto de médicos como de pacientes.
5. Conclusión
Con la ayuda de la inteligencia artificial, una tecnología de vanguardia,
ahora es posible tratar a pacientes con tumores de forma individual
automatizando la predicción de los efectos de la inmunoterapia tumoral
basándose en modelos construidos. Sin embargo, todavía enfrenta muchos
desafíos y dilemas. Se prevé que los futuros sistemas asistidos por IA sean
más capaces de modelar el comportamiento biológico de los tumores y la
respuesta al tratamiento con medicamentos, lo que en última instancia
ayudaría a la gran mayoría de los pacientes con tumores y mejoraría la
eficacia y la calidad médica.
Contribuciones de autor
XX, ZG e YZ proporcionaron dirección y orientación.
a lo largo de la preparación de este manuscrito. JX, XL y XD
escribieron y editaron el manuscrito. JX, XL, XD, YT y PESO
Referencias
1. 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 Oncol (2017) 14(11):655–68. doi:10.1038/nrclinonc.2017.88
2. Anagnostou V, Landon BV, Medina JE, Forde P, Velculescu VE. Traducir el panorama
molecular en evolución de los tumores a biomarcadores de respuesta a la inmunoterapia
contra el cáncer.Ciencia Transl Med (2022) 14(670):eabo3958. doi:10.1126/
scitranslmed.abo3958
3. Herbst RS, Baas P, Kim DW, Felip E, Pérez-Gracia JL, Han JY, et al. Pembrolizumab
versus docetaxel para el cáncer de pulmón de células no pequeñas avanzado, PD-L1
positivo, previamente tratado (KEYNOTE-010): un ensayo controlado aleatorio.Lanceta. (
2016) 387(10027):1540–50. doi:10.1016/S0140-6736(15)01281-7
4. Giustini N, Bazhenova L. Reconocimiento de biomarcadores pronósticos y predictivos en el
tratamiento del cáncer de pulmón de células no pequeñas (NSCLC) con inhibidores de puntos de
control inmunológico (ICI).Cáncer de pulmón (Auckl). (2021) 12:21–34. doi:10.2147/ LCTT.S235102
5. Benjamens S, Dhunnoo P, Mesko B. El estado de los algoritmos y dispositivos médicos
aprobados por la FDA basados en inteligencia artificial: una base de datos en línea.NPJ Dígito
Med (2020) 3:118. doi:10.1038/s41746-020-00324-0
Fronteras enInmunología
10.3389/!mmu.2022.1076883
revisó y realizó revisiones significativas al manuscrito. HC y JZ
recopilaron y prepararon los artículos relacionados. Todos los
autores contribuyeron al artículo y aprobaron la versión
enviada.
Fondos
Esta investigación fue financiada por la Fundación Nacional de Ciencias
Naturales de China (81872152, XX).
Expresiones de gratitud
Agradecemos a Figdraw y Biorender por proporcionar a los
investigadores científicos materiales exquisitos y cómodas plataformas de
dibujo. Todas las figuras de este artículo están realizadas por Figdraw (
www.!gdraw.com) y Biorender (biorender.com).
Conflicto de intereses
Los autores declaran que la investigación se realizó en ausencia
de relaciones comerciales o financieras que pudieran interpretarse
como un potencial conflicto de intereses.
nota del editor
Todas las afirmaciones expresadas en este artículo son
exclusivas de los autores y no necesariamente representan las de
sus organizaciones afiliadas, ni las del editor, los editores y los
revisores. Cualquier producto que pueda evaluarse en este
artículo, o afirmación que pueda hacer su fabricante, no está
garantizado ni respaldado por el editor.
6. Angell H, Galon J. De la contextura inmune al inmunoscore: el papel de los
marcadores inmunes pronósticos y predictivos en el cáncer.Opinión actual Inmunol
(2013) 25(2):261–7. doi:10.1016/j.coi.2013.03.004
7. Kantarjian H, Yu PP. Inteligencia artificial, big data y cáncer.JAMA Oncol
(2015) 1(5):573–4. doi:10.1001/jamaoncol.2015.1203
8. Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts H. Inteligencia
artificial en radiología.Cáncer Nat Rev. (2018) 18(8):500–10. doi:10.1038/
s41568-018-0016-5
9. van der Laak J, Litjens G, Ciompi F. Aprendizaje profundo en histopatología: el camino hacia
la clínica.Nacional Med (2021) 27(5):775–84. doi:10.1038/s41591-021-01343-4
10. Lancellotti C, Cancian P, Savevski V, Kotha SRR, Fraggetta F, Graziano P, et al.
Inteligencia artificial y biomarcadores tisulares: ventajas, riesgos y perspectivas para la
patología.Células (2021) 10(4):787. doi:10.3390/celdas10040787
11. 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.Imágenes IEEE Trans Med. (2016)
35(5):1196–206. doi:10.1109/TMI.2016.2525803
07 fronterassin.org
Xie et al.
12. Martins J, Magalhaes C, Rocha M, Osorio NS. Descubrimiento de neoepítopos de células T
mejorado mediante aprendizaje automático para el diseño de inmunoterapia.Informe sobre el
cáncer. (2019) 18:1176935119852081. doi:10.1177/1176935119852081
13. Choi S, Cho SI, Ma M, Park S, Pereira S, Aum BJ, et al. El analizador del ligando 1 de muerte
programada impulsado por inteligencia artificial reduce la variación entre observadores en la
puntuación de proporción tumoral para el cáncer de pulmón de células no pequeñas con una
mejor predicción de la respuesta a la inmunoterapia.Eur J Cáncer. (2022) 170:17–26. doi:10.1016/
j.ejca.2022.04.011
14. Asaoka Y, Ijichi H, Koike K. Bloqueo de PD-1 en tumores con deficiencia en la reparación de
errores de coincidencia.N Inglés J Med (2015) 373(20):1979. doi:10.1056/NEJMc1510353
15. Le DT, Uram JN, Wang H, Bartlett BR, Kemberling H, Eyring AD, et al. Bloqueo de PD-1 en
tumores con deficiencia en la reparación de errores de coincidencia.N Inglés J Med (2015) 372 (26):
2509–20. doi:10.1056/NEJMoa1500596
16. Fridman WH, Pages F, Sautes-Fridman C, Galon J. La contextura inmune en
tumores humanos: impacto en el resultado clínico.Cáncer Nat Rev. (2012) 12(4):298–
306.doi:10.1038/nrc3245
17. Li K, Luo H, Huang L, Luo H, Zhu X. Inestabilidad de microsatélites: una revisión de
lo que el oncólogo debe saber.Int de células cancerosas (2020) 20:16. doi:10.1186/
s12935-019-1091-8
18. 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.Nacional Med (2019) 25(7):1054–6. doi:10.1038/
s41591-019-0462-y
19. Stanton SE, Disis ML. Importancia clínica de los linfocitos infiltrantes de
tumores en el cáncer de mama.J Inmunotro Cáncer. (2016) 4:59. doi:10.1186/
s40425-016-0165-6
20. Zheng S, Zou Y, Xie X, Liang JY, Yang A, Yu K, et al. Desarrollo y validación de un
clasificador de fenotipo inmunológico estromal para predecir la actividad inmune y el
pronóstico en el cáncer de mama triple negativo.Int J Cáncer. (2020) 147(2):542–53. doi:
10.1002/ijc.33009
21. Hu J, Cui C, Yang W, Huang L, Yu R, Liu S, et al. Uso del aprendizaje profundo para
predecir la respuesta anti-PD-1 en pacientes con melanoma y cáncer de pulmón a partir
de imágenes histopatológicas.Traducción de Oncol (2021) 14(1):100921. doi:10.1016/
j.tranon.2020.100921
22. Ushio R, Murakami S, Saito H. Marcadores predictivos para inhibidores de puntos de control
inmunológico en el cáncer de pulmón de células no pequeñas.J Clin Med (2022) 11(7):1855. doi:10.3390/
jcm11071855
23. 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.Ciencia. (2015)
348 (6230): 124–8. doi:10.1126/ciencia.aaa1348
24. Sadhwani A, Chang HW, Behrooz A, Brown T, Auvigne-Flament I, Patel H, et al. Análisis
comparativo de enfoques de aprendizaje automático para clasificar la carga de mutaciones
tumorales en el adenocarcinoma de pulmón mediante imágenes de histopatología.Representante
de ciencia (2021) 11(1):16605. doi:10.1038/s41598-021-95747-4
25. Castellino RA. Detección asistida por computadora (CAD): una descripción general.
Imágenes del cáncer. (2005) 5:17–9. doi:10.1102/1470-7330.2005.0018
26. 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 Oncol (2020) 22(3):393–401. doi:10.1093/
neuonc/noz184
27. Aerts HJ. El potencial del fenotipado basado en radiómica en la medicina de
precisión: una revisión.JAMA Oncol (2016) 2(12):1636–42. doi:10.1001/
jamaoncol.2016.2631
28. Wang C, Ma J, Shao J, Zhang S, Li J, Yan J, et al. Medición no invasiva que utiliza un algoritmo
de aprendizaje profundo basado en la fusión de características de múltiples fuentes para predecir
la expresión y supervivencia de PD-L1 en NSCLC.Inmunol frontal (2022) 13:828560. doi:
10.3389/!mmu.2022.828560
29. 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
retrospectivo de múltiples cohortes.Lanceta Oncol (2018) 19(9):1180–91. doi:10.1016/
S1470-2045 (18)30413-3
30. Mu W, Tunali I, Gray JE, Qi J, Schabath MB, Gillies RJ. La radiómica de las imágenes PET/CT
con (18)F-FDG predice el beneficio clínico de los pacientes con NSCLC avanzado con la
inmunoterapia de bloqueo de puntos de control.Eur J Nucl Med Mol Imágenes. (2020) 47 (5):1168–
82. doi:10.1007/s00259-019-04625-9
31. Él B, Dong D, Ella Y, Zhou C, Fang M, Zhu Y, et al. Predicción de la respuesta a la
inmunoterapia en el cáncer de pulmón de células no pequeñas avanzado utilizando un
biomarcador radiómico de carga mutacional tumoral.J Inmunotro Cáncer (2020)
8(2):e000550. doi:10.1136/jitc-2020-000550
32. Trebeschi S, Drago SG, Birkbak NJ, Kurilova I, C!lin AM, Delli Pizzi A, et al. Predecir la
respuesta a la inmunoterapia contra el cáncer utilizando biomarcadores radiómicos no
invasivos.Ann Oncol (2019) 30(6):998–1004. doi:10.1093/annonc/mdz108
Fronteras enInmunología
10.3389/!mmu.2022.1076883
33. Frelaut M, Le Tourneau C, Borcoman E. Hiperprogresión bajo
inmunoterapia.Int J Mol Ciencia (2019) 20(11):2674. doi:10.3390/ijms20112674
34. Matos I, Garralda E. Aclaración de definiciones de enfermedad
hiperprogresiva durante la inmunoterapia.JAMA Oncol (2021) 7(1):136–7. doi:
10.1001/jamaoncol.2020.5582
35. Vaidya P, Bera K, Patil PD, Gupta A, Jain P, Alilou M, et al. Enfoque de imágenes novedoso y
no invasivo para identificar pacientes con cáncer de pulmón de células no pequeñas avanzado con
riesgo de enfermedad hiperprogresiva con bloqueo de puntos de control inmunológico.J
Inmunotro Cáncer (2020) 8(2):e001343. doi:10.1136/jitc-2020-001343
36. Dercle L, McGale J, Sun S, Marabelle A, Yeh R, Deutsch E, et al.
Inteligencia artificial y radiómica: fundamentos, aplicaciones y desafíos en
inmunoterapia.J Inmunotro Cáncer (2022) 10(9):e005292. doi:10.1136/
jitc-2022-005292
37. Rosenberg JE, Hoffman-Censits J, Powles T, van der Heijden MS, Balar AV, Necchi A,
et al. Atezolizumab en pacientes con carcinoma urotelial localmente avanzado y
metastásico que han progresado después del tratamiento con quimioterapia basada en
platino: un ensayo de fase 2, multicéntrico, de un solo grupo.Lanceta. (2016) 387 (10031):
1909–20. doi:10.1016/S0140-6736(16)00561-4
38. Xie F, Zhang J, Wang J, Reuben A, Xu W, Yi X, et al. El aprendizaje profundo
multifactorial revela grupos de tumores genómicos pancancerosos con un panorama
inmunogenómico distinto y una respuesta a la inmunoterapia.Clin Cancer Res (2020)
26(12):2908– 20.doi:10.1158/1078-0432.CCR-19-1744
39. 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. Ciencia. (
2015) 350(6257):207–11. doi:10.1126/ciencia.aad0095
40. Xie J, Zou Y, Ye F, Zhao W, Xie X, Ou X, et al. Una nueva firma genética relacionada con las
plaquetas para predecir el pronóstico del cáncer de mama triple negativo.Biol de desarrollo de
células frontales (2021) 9:795600. doi:10.3389/fcell.2021.795600
41. Hugo W, Shi H, Sun L, Piva M, Song C, Kong X, et al. Evolución no genómica
e inmune del melanoma adquiriendo resistencia a MAPKi.Celúla. (2015) 162 (6):
1271–85. doi:10.1016/j.cell.2015.07.061
42. Yadav M, Jhunjhunwala S, Phung QT, Lupardus P, Tanguay J, Bumbaca S, et al. Predecir
mutaciones tumorales inmunogénicas mediante la combinación de espectrometría de masas y
secuenciación del exoma.Naturaleza. (2014) 515(7528):572–6. doi:10.1038/naturaleza14001
43. Mo X, Tang C, Niu Q, Ma T, Du Y, Fu H. HTiP: plataforma de detección fenotípica de
inmunomoduladores de alto rendimiento para revelar antagonistas de IAP como
potenciadores inmunes contra el cáncer.Bioquímica celular (2019) 26(3):331–9 e3. doi:
10.1016/j.chembiol.2018.11.011
44. García-Prieto CA, Villanueva L, Bueno-Costa A, Dávalos V, González-Navarro EA, Juan M, et
al. Perfil epigenético y respuesta a la terapia con células T del receptor del antígeno quimérico
CD19 en neoplasias malignas de células B.Instituto Nacional de Cáncer J. (2022) 114 (3): 436–45.
doi:10.1093/jnci/djab194
45. Ko J, Baldassano SN, Loh PL, Kording K, Litt B, Issadore D. Aprendizaje automático para
detectar firmas de enfermedades en biopsias líquidas: guía del usuario.Chip de laboratorio. (2018)
18(3):395–405. doi:10.1039/C7LC00955K
46. Park Y, Kim MJ, Choi Y, Kim NH, Kim L, Hong SPD, et al. Papel de las firmas
proteómicas séricas basadas en espectrometría de masas en la predicción de resultados
clínicos y toxicidad en pacientes con cáncer tratados con inmunoterapia.J Inmunotro
Cáncer (2022) 10(3):e003566. doi:10.1136/jitc-2021-003566
47. Weeber F, van de Wetering M, Hoogstraat M, Dijkstra KK, Krijgsman O, Kuilman T,
et al. Diversidad genética preservada en organoides cultivados a partir de biopsias de
metástasis de cáncer colorrectal humano.Proc Natl Acad Sci EE. UU. (2015) 112 (43):
13308–11. doi:10.1073/pnas.1516689112
48. Bojar D, Lisacek F. Glycoinformática en la era de la inteligencia artificial.Rev. de
química (2022) 122(20):15971–88. doi:10.1021/acs.chemrev.2c00110
49. Hasin Y, Seldin M, Lusis A. Enfoques multiómicos de la enfermedad.Genoma
biológico (2017) 18(1):83. doi:10.1186/s13059-017-1215-1
50. Yang Y, Yang J, Shen L, Chen J, Xia L, Ni B, et al. Un enfoque de aprendizaje profundo en serie basado
en multiómicas para predecir los resultados clínicos de la inmunoterapia anti-PD-1/PD-L1 con un solo agente
en el cáncer de pulmón de células no pequeñas en estadio avanzado.Am J Transl Res (2021) 13(2):743–56.
51. Song P, Cui X, Bai L, Zhou X, Zhu X, Zhang J, et al. Caracterización molecular de las
respuestas clínicas a los inhibidores de PD-1/PD-L1 en el cáncer de pulmón de células no
pequeñas: valor predictivo de la detección de inmunomarcadores multidimensionales para la
eficacia de los inhibidores de PD-1 en pacientes chinos.Cáncer de tórax. (2019) 10(5):1303– 9.doi:
10.1111/1759-7714.13078
52. Drost J, Clevers H. Organoides en la investigación del cáncer.Cáncer Nat Rev. (2018) 18
(7): 407–18. doi:10.1038/s41568-018-0007-6
53. Xie J, Tian W, Tang Y, Zou Y, Zheng S, Wu L, et al. Establecimiento de un índice de
necroptosis celular para predecir el pronóstico y la sensibilidad a los fármacos en
pacientes con cáncer de mama triple negativo.Frente Mol Biosci (2022) 9:834593. doi:
10.3389/ fmolb.2022.834593
54. Masuda K, Horinouchi H, Tanaka M, Higashiyama R, Shinno Y, Sato J, et al. Eficacia
de los anticuerpos anti-PD-1 en pacientes con NSCLC con una mutación de EGFR y
08 fronterassin.org
Xie et al.
alta expresión de PD-L1.J Cancer Res Clin Oncol (2021) 147(1):245–51. doi:
10.1007/s00432-020-03329-0
55. Oya Y, Kuroda H, Nakada T, Takahashi Y, Sakakura N, Hida T. Eficacia de la monoterapia con
inhibidores de puntos de control inmunitarios para el cáncer de pulmón de células no pequeñas avanzado
con reordenamiento de ALK.Int J Mol Ciencia (2020) 21(7):2623. doi:10.3390/ijms21072623
56. Uribe-Herranz M, Klein-González N, Rodríguez-Lobato LG, Juan M, de Larrea CF.
Influencia de la microbiota intestinal en neoplasias hematológicas: de la génesis a la
cura.Int J Mol Ciencia (2021) 22(3):1026. doi:10.3390/ijms22031026
57. Mata-Molanes JJ, Rebollo-Liceaga J, Martínez-Navarro EM, Manzano RG, Brugarolas
A, Juan M, et al. Relevancia de los polimorfismos del receptor fc gamma en la terapia del
cáncer con anticuerpos monoclonales.Oncol frontal (2022) 12:926289. doi:10.3389/
fonc.2022.926289
58. Zhang D, Li Y, Li H, Tang T, Zheng Y, Guo X, et al. Un estudio preliminar de los
niveles del componente 1q del complemento para predecir la eficacia de la
inmunoterapia combinada en pacientes con cáncer de pulmón.Res. de gestión del cáncer
(2021) 13:7131–7. doi:10.2147/CMAR.S314369
59. Iinuma H. [Análisis genómico e inmunoterapia mediante biopsia líquida].Gan a
Kagaku Ryoho (2019) 46(9):1361–6.
60. Yan Y, Chen X, Wei J, Gong Z, Xu Z. Combinaciones de inmunoterapia en pacientes
con cánceres de pulmón de células pequeñas.J. Thorac Oncol (2019) 14(10):e244–e5. doi:
10.1016/j.jtho.2019.05.021
61. Hopp L, Lof"er-Wirth H, Galle J, Binder H. La representación SOM combinada de
paisajes de expresión genética y metilación del ADN desenreda los modos de regulación
epigenética en el glioblastoma.Epigenómica. (2018) 10(6):745–64. doi:
10.2217/epi-2017-0140
62. Fan J, Yin Z, Xu J, Wu F, Huang Q, Yang L, et al. Los microARN circulantes predicen
la respuesta a la terapia anti-PD-1 en el cáncer de pulmón de células no pequeñas.
Genómica. (2020) 112(2):2063–71. doi:10.1016/j.ygeno.2019.11.019
Fronteras enInmunología
10.3389/!mmu.2022.1076883
63. Biton J, Mansuet-Lupo A, Pecuchet N, Alifano M, Ouakrim H, Arrondeau J, et
al. Las mutaciones TP53, STK11 y EGFR predicen el perfil inmune tumoral y la
respuesta al anti-PD-1 en el adenocarcinoma de pulmón.Clin Cancer Res (2018) 24
(22): 5710–23. doi:10.1158/1078-0432.CCR-18-0163
64. 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 Ciencia (2020) 21(8):2856. doi:10.3390/
ijms21082856
65. Nagendran M, Chen Y, Lovejoy CA, Gordon AC, Komorowski M, Harvey
H, et al. Inteligencia artificial versus médicos: revisión sistemática del diseño, estándares
de informes y afirmaciones de estudios de aprendizaje profundo.BMJ (2020) 368:m689.
doi:10.1136/bmj.m689
66. Zou Y, Hu X, Zheng S, Yang A, Li X, Tang H, et al. Discordancia de los
biomarcadores predictivos de la respuesta a la inmunoterapia entre lesiones
primarias y metástasis pareadas en tumores: una revisión sistemática y un
metanálisis. EBioMedicina. (2021) 63:103137. doi:10.1016/j.ebiom.2020.103137
67. Shameer K, Johnson KW, Glicksberg BS, Dudley JT, Sengupta PP. El todo es
mayor que la suma de sus partes: combina métodos estadísticos clásicos y de
inteligencia artificial en medicina.Corazón. (2018) 104(14):1228. doi:
10.1136/corazónjnl-2018-313377
68. 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 nacional (2018) 9(1):5229. doi:10.1038/s41467-018-07229-3
69. Esteva A, Robicquet A, Ramsundar B, Kuleshov V, DePristo M, Chou K, et al. Una guía para el
aprendizaje profundo en la atención sanitaria.Nacional Med (2019) 25(1):24–9. doi:
10.1038/s41591-018-0316-z
70. Win!eld 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 Ciencias (
2018) 376(2133):20180085. doi:10.1098/rsta.2018.0085
09 fronterassin.org