{"id":40630,"date":"2023-09-05T10:18:11","date_gmt":"2023-09-05T16:18:11","guid":{"rendered":"https:\/\/saluddigital.com\/?p=40630"},"modified":"2025-10-19T00:44:06","modified_gmt":"2025-10-19T06:44:06","slug":"aprendizaje-profundo-logra-predecir-el-pronostico-y-respuesta-a-tratamientos-contra-el-cancer","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/aprendizaje-profundo-logra-predecir-el-pronostico-y-respuesta-a-tratamientos-contra-el-cancer\/","title":{"rendered":"Aprendizaje profundo logra predecir el pron\u00f3stico y respuesta a tratamientos contra el c\u00e1ncer"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Un estudio reciente combin\u00f3 un modelo de aprendizaje profundo y la biolog\u00eda para predecir el pron\u00f3stico y la respuesta a la inmunoterapia contra el c\u00e1ncer.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Los modelos de inteligencia artificial (IA) basados en aprendizaje autom\u00e1tico o en aprendizaje profundo han tenido \u00e9xito en la detecci\u00f3n temprana y el diagn\u00f3stico del c\u00e1ncer a trav\u00e9s del an\u00e1lisis de im\u00e1genes m\u00e9dicas. Sin embargo, existe un progreso m\u00e1s lento en predecir la respuesta al tratamiento y sus resultados en el tratamiento contra el c\u00e1ncer, lo cual es crucial para desarrollar estrategias de tratamiento personalizado para los pacientes.<\/p>

En art\u00edculo \u201cEl aprendizaje profundo guiado por la biolog\u00eda predice el pron\u00f3stico y la respuesta a la inmunoterapia contra el c\u00e1ncer\u201d, publicado en Nature Communications, los autores exploran el uso de aprendizaje profundo o deep learning<\/em>, para predecir el pron\u00f3stico y la respuesta a la inmunoterapia en pacientes con c\u00e1ncer.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Una barrera significativa para la traducci\u00f3n cl\u00ednica de los modelos de aprendizaje profundo actuales es la falta de interpretabilidad, lo cual es provocado por no tomar en cuenta variables biol\u00f3gicas. En este sentido, el art\u00edculo presenta in enfoque de deep learning guiado por la biolog\u00eda, lo que permite la predicci\u00f3n simult\u00e1nea del estado del microentorno tumoral (TME, en ingl\u00e9s) inmune y estromal, as\u00ed como los resultados del tratamiento a partir de im\u00e1genes m\u00e9dicas.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

\u201cA pesar del \u00e9xito y el enorme potencial del aprendizaje profundo, la interpretabilidad sigue siendo uno de los retos m\u00e1s importantes para la traducci\u00f3n cl\u00ednica. Esto es particularmente cierto para aplicaciones de alto riesgo como la toma de decisiones de tratamiento. Desafortunadamente, los modelos actuales de aprendizaje profundo se basan puramente en datos y no tienen en cuenta el conocimiento previo sobre la patobiolog\u00eda de la enfermedad\u201d, mencionan los autores. Es decir, que la falta de interpretabilidad reduce la confianza y no permite que se reproduzcan nuevamente estos modelos, por ello los autores por ponen un enfoque basado en el conocimiento biol\u00f3gico.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Este estudio valida el modelo basado en biolog\u00eda para predecir el pron\u00f3stico del c\u00e1ncer g\u00e1strico y el beneficio de la quimioterapia en un estudio internacional multic\u00e9ntrico. Adem\u00e1s, el modelo predice la respuesta a los inhibidores de los puntos de control inmunol\u00f3gico, es decir los medicamentos que bloquean las prote\u00ednas de pintos de control para que no se unan con otras prote\u00ednas, permitiendo la destrucci\u00f3n de las c\u00e9lulas cancerosas, y complementa los biomarcadores cl\u00ednicamente aprobados.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

El modelo de pron\u00f3stico fue validado extensivamente a trav\u00e9s de una cohorte internacional que incluy\u00f3 datos de 2,799 pacientes con c\u00e1ncer g\u00e1strico. De esta forma, el modelo logr\u00f3 el modelo pudo identificar un subconjunto de pacientes que obtendr\u00edan beneficios de supervivencia con la quimioterapia.<\/p>

De esta manera el estudio propone la necesidad de incorporar la biolog\u00eda del c\u00e1ncer en el dise\u00f1o de modelos de aprendizaje profundo para mejorar la interpretabilidad y la confianza en las predicciones. El microentorno tumoral, que incluye c\u00e9lulas inmunol\u00f3gicas y estromales, desempe\u00f1a un papel importante en el pron\u00f3stico y la respuesta al tratamiento del c\u00e1ncer. La evaluaci\u00f3n de este microentorno a trav\u00e9s de im\u00e1genes m\u00e9dicas ayudar\u00eda a proporcionar informaci\u00f3n valiosa y no invasiva, que ser\u00eda \u00fatil para desarrollar tratamientos personalizados a cada paciente.<\/p>

\u201cDemostramos que la incorporaci\u00f3n del conocimiento del dominio biol\u00f3gico como componentes integrales del aprendizaje profundo no solo mejor\u00f3 la generalizabilidad en comparaci\u00f3n con el enfoque tradicional, sino que tambi\u00e9n mejor\u00f3 la interpretabilidad del modelo\u201d, concluyeron los autores.<\/p>

Check the full study at the following link:<\/p>

https:\/\/www.nature.com\/articles\/s41467-023-40890-x<\/a><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t BIBLIOGRAPHY<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

NATURE<\/strong><\/p>

https:\/\/www.nature.com\/articles\/s41467-023-40890-x<\/a><\/p>

CANCER US GOV<\/strong><\/p>

https:\/\/www.cancer.gov\/espanol\/cancer\/tratamiento\/tipos\/inmunoterapia\/inhibidores-de-puntos-de-control<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

Un estudio reciente combin\u00f3 un modelo de aprendizaje profundo y la biolog\u00eda para predecir el pron\u00f3stico y la respuesta a la inmunoterapia contra el c\u00e1ncer. Los modelos de inteligencia artificial (IA) basados en aprendizaje autom\u00e1tico o en aprendizaje profundo han tenido \u00e9xito en la detecci\u00f3n temprana y el diagn\u00f3stico del c\u00e1ncer a trav\u00e9s del an\u00e1lisis de im\u00e1genes m\u00e9dicas. Sin embargo, existe un progreso m\u00e1s lento en predecir la respuesta al tratamiento y sus resultados en el tratamiento contra el c\u00e1ncer, lo cual es crucial para desarrollar estrategias de tratamiento personalizado para los pacientes. En art\u00edculo \u201cEl aprendizaje profundo guiado por la biolog\u00eda predice el pron\u00f3stico y la respuesta a la inmunoterapia contra el c\u00e1ncer\u201d, publicado en Nature Communications, los autores exploran el uso de aprendizaje profundo o deep learning, para predecir el pron\u00f3stico y la respuesta a la inmunoterapia en pacientes con c\u00e1ncer. Una barrera significativa para la traducci\u00f3n cl\u00ednica de los modelos de aprendizaje profundo actuales es la falta de interpretabilidad, lo cual es provocado por no tomar en cuenta variables biol\u00f3gicas. En este sentido, el art\u00edculo presenta in enfoque de deep learning guiado por la biolog\u00eda, lo que permite la predicci\u00f3n simult\u00e1nea del estado del microentorno tumoral (TME, en ingl\u00e9s) inmune y estromal, as\u00ed como los resultados del tratamiento a partir de im\u00e1genes m\u00e9dicas. \u201cA pesar del \u00e9xito y el enorme potencial del aprendizaje profundo, la interpretabilidad sigue siendo uno de los retos m\u00e1s importantes para la traducci\u00f3n cl\u00ednica. Esto es particularmente cierto para aplicaciones de alto riesgo como la toma de decisiones de tratamiento. Desafortunadamente, los modelos actuales de aprendizaje profundo se basan puramente en datos y no tienen en cuenta el conocimiento previo sobre la patobiolog\u00eda de la enfermedad\u201d, mencionan los autores. Es decir, que la falta de interpretabilidad reduce la confianza y no permite que se reproduzcan nuevamente estos modelos, por ello los autores por ponen un enfoque basado en el conocimiento biol\u00f3gico. Este estudio valida el modelo basado en biolog\u00eda para predecir el pron\u00f3stico del c\u00e1ncer g\u00e1strico y el beneficio de la quimioterapia en un estudio internacional multic\u00e9ntrico. Adem\u00e1s, el modelo predice la respuesta a los inhibidores de los puntos de control inmunol\u00f3gico, es decir los medicamentos que bloquean las prote\u00ednas de pintos de control para que no se unan con otras prote\u00ednas, permitiendo la destrucci\u00f3n de las c\u00e9lulas cancerosas, y complementa los biomarcadores cl\u00ednicamente aprobados. El modelo de pron\u00f3stico fue validado extensivamente a trav\u00e9s de una cohorte internacional que incluy\u00f3 datos de 2,799 pacientes con c\u00e1ncer g\u00e1strico. De esta forma, el modelo logr\u00f3 el modelo pudo identificar un subconjunto de pacientes que obtendr\u00edan beneficios de supervivencia con la quimioterapia. De esta manera el estudio propone la necesidad de incorporar la biolog\u00eda del c\u00e1ncer en el dise\u00f1o de modelos de aprendizaje profundo para mejorar la interpretabilidad y la confianza en las predicciones. El microentorno tumoral, que incluye c\u00e9lulas inmunol\u00f3gicas y estromales, desempe\u00f1a un papel importante en el pron\u00f3stico y la respuesta al tratamiento del c\u00e1ncer. La evaluaci\u00f3n de este microentorno a trav\u00e9s de im\u00e1genes m\u00e9dicas ayudar\u00eda a proporcionar informaci\u00f3n valiosa y no invasiva, que ser\u00eda \u00fatil para desarrollar tratamientos personalizados a cada paciente. \u201cDemostramos que la incorporaci\u00f3n del conocimiento del dominio biol\u00f3gico como componentes integrales del aprendizaje profundo no solo mejor\u00f3 la generalizabilidad en comparaci\u00f3n con el enfoque tradicional, sino que tambi\u00e9n mejor\u00f3 la interpretabilidad del modelo\u201d, concluyeron los autores. Consulta el estudio completo en el siguiente enlace: https:\/\/www.nature.com\/articles\/s41467-023-40890-x BIBLIOGRAF\u00cdA NATURE https:\/\/www.nature.com\/articles\/s41467-023-40890-x CANCER US GOV https:\/\/www.cancer.gov\/espanol\/cancer\/tratamiento\/tipos\/inmunoterapia\/inhibidores-de-puntos-de-control<\/p>","protected":false},"author":1,"featured_media":40632,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-40630","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/40630","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/comments?post=40630"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/40630\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/40632"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=40630"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=40630"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=40630"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}