Artículo original: Jiang, M., Sun, D., Guo, Y., Guo, Y., Xiao, J., Wang, L., et al. Assessing PD-L1 Expression Level by Radiomic Features From PET/CT in Nonsmall Cell Lung Cancer Patients: An Initial Result. Acad Radiol. 2020; 27(2):171-179.
DOI: https://doi.org/10.1016/j.acra.2019.04.016
Sociedad: The Association of University Radiologists (@AURtweet)
Palabras clave: radiomics, PD-L1, positron emission tomography computed tomography, carcinoma, non small cell lung.
Abreviaturas y acrónimos utilizados: PD-L1 (programmed death – ligand 1), PET-CT (tomografía por emisión de positrones – tomografía computarizada), CPCNP (cáncer de pulmón de células no pequeñas), IHQ (inmunohistoquímica), SUV (valor de absorción estándar)
Línea editorial del número:
El presente número de la revista Academic Radiology consta de 29 artículos, tratando gran parte de ellos sobre la utilidad de técnicas de post-procesado de imagen e inteligencia artificial. Destacan dos artículos que ahondan en la aplicación del machine learning en el diagnóstico y caracterización de tumores renales.
Motivos para la selección:
Las técnicas de inteligencia artificial están demostrando resultados prometedores en el campo de la Medicina y, en particular, la Radiología. Éste es el primer estudio que analiza la capacidad de predecir, a través de modelos basados en la radiómica e imágenes de PET-CT, la expresión de marcadores PD-L1 en el CPCNP, lo cual comporta cambios en el pronóstico y tratamiento de dichos tumores con inmunoterapia.
Resumen:
El cáncer de pulmón sigue siendo el responsable de la mayor mortalidad por cáncer en el mundo, siendo el 85% de estos tumores de tipo “no células pequeñas” (CPNCP). Algunos de estos tumores expresan la molécula PD-L1, que al unirse a la molécula PD-1 presente en los linfocitos, produce una señal inhibitoria sobre éstos pudiendo llegar a producir su apoptosis.
En los últimos años, la introducción de la inmunoterapia que inhibe la unión PD-1/PD-L1 ha modificado la supervivencia, morbilidad y pronóstico de estos pacientes, habiendo sido demostrada su eficacia en primera línea de tratamiento para pacientes cuyos tumores expresen PD-L1 en más del 50% de sus células, o como segunda línea de tratamiento en los tumores que la expresan en más del 1%.
Hasta este momento, la determinación tumoral de PD-L1 se ha llevado a cabo mediante técnicas de IHQ tras biopsia o cirugía, lo cual tiene una serie de limitaciones: es una técnica invasiva, altamente patólogo-dependiente, analiza una sóla área tumoral y habitualmente sólo al momento del diagnóstico, lo cual no permite analizar el comportamiento dinámico del tumor, y existe un lapso de tiempo entre el diagnóstico de la enfermedad y su caracterización molecular.
La TC y PET-CT son utilizadas en la práctica clínica habitual para el diagnóstico y estadificación tumoral, sin embargo, varios autores han concluido que las imágenes contienen potenciales características que pueden predecir la composición molecular, el pronóstico, la supervivencia libre de enfermedad y supervivencia global.
Por lo tanto, el objetivo del estudio es determinar si es posible desarrollar un modelo de predicción molecular basado en la radiómica.
Es un estudio observacional, retrospectivo y unicéntrico, el cual incluyó a un total de 754 pacientes (de los cuales fueron analizados 399, 253 hombres y 146 mujeres) con el diagnóstico de CNCNP entre enero de 2017 y agosto de 2018. Los criterios de inclusión fueron: edad entre 20 y 80 años, análisis IHQ postquirúrgico del grado de expresión de PD-L1 (mayor del 1 y 50%) y realización de PET-CT prequirúrgico. Los criterios de exclusión fueron: haber recibido tratamiento antitumoral u otro tratamiento antes del PET-CT, sufrir más de un tumor primario, tumor primario demasiado pequeño para la segmentación o estado de gestación.
Se dividió a los pacientes en dos cohortes: en la primera cohorte (1/3 de los pacientes) se analizaron mediante técnicas de radiómica las características radiológicas de los tumores (TC, PET y PET-TC de manera separada) y se correlacionaron con el grado de expresión de PD-L1, determinados a través de dos tests distintos (PD-L1 SP142 y PD-L1 28-8), para elaborar un modelo de predicción; en la segunda cohorte (2/3 de los pacientes) se aplicó el algoritmo obtenido en la primera fase y se comprobó su validez.
Además, se recogieron datos de los pacientes, tales como la edad, sexo, historia tabáquica, SUVmáx, TNM, histología del tumor y mutaciones del gen EGFR para saber si estas características predecían el grado de expresión de PD-L1.
En cuanto a los resultados, se obtuvo que el sexo, la historia tabáquica, SUVmáx y la mutación EGFR son factores predictivos de la expresión de PD-L1. El TNM se encontró predictivo sólo para la expresión de PD-L1 mayor del 50%.
Para la predicción de expresión de PD-L1 (SP142) mayor del 1% se obtuvieron áreas bajo la curva para TC, PET y PET-TC de 0.97, 0.61 y 0.97 respectivamente; para una expresión mayor del 50%, 0.80, 0.65 y 0.77.
En los modelos de predicción de PD-L1 (28-8) para expresión mayor del 1% se obtuvieron áreas bajo la curva de 0.86, 0.62 y 0.85; para expresiones mayores del 50%, 0.91, 0.75 y 0.88.
Así, la TC se mostró superior que la PET y PET-TC combinados.
El estudio tiene algunas limitaciones, por ejemplo, se incluyeron pocos pacientes en estadío IV; no se incluyeron aquellos que recibieron biopsia únicamente; la determinación de PD-L1 por IHQ no tiene en cuenta la media de todo el tumor, sólo de la zona analizada; las imágenes fueron obtenidas por dos equipos y por tanto parámetros diferentes; la expresión de PD-L1 no es estable temporalmente, por lo que pudo haber cambiado entre las técnicas de imagen y la IHQ, aunque no drásticamente; por último, es un estudio observacional, retrospectivo y unicéntrico.
Por lo tanto, el presente estudio demuestra la capacidad de la radiómica para predecir con relativa exactitud la expresión de PD-L1 en células tumorales, lo cual puede ser útil para guiar el tratamiento inmunoterápico en un futuro. No obstante, dadas las limitaciones mencionadas, se debe seguir investigando para establecer unos modelos válidos.
Valoración personal:
Es una realidad que las técnicas de inteligencia artificial se están abriendo paso rápidamente en el campo de la Radiología en los últimos años y la mayoría de los estudios publicados al respecto muestran resultados alentadores.
El que nos ocupa me parece de especial relevancia por varios motivos: por la gran mortalidad que supone el cáncer de pulmón a día de hoy, aún con la gran cantidad de tratamientos disponibles, y porque es el primero elaborado al respecto del PD-L1.
Aunque por el momento, y como menciona el artículo, los resultados de este estudio no sean aplicables a la práctica clínica diaria, parece que en un futuro no muy lejano seremos capaces de elaborar diagnósticos moleculares con cierta fiabilidad a partir de la misma imagen con la que establezcamos un diagnóstico.
El artículo es muy exhaustivo, aunque relativamente fácil de leer y entender, y la bibliografía muy reciente y completa. Se acompaña de tablas que contienen todos los aspectos estadísticos y dos ejemplos de segmentación, tanto de características radiológicas como radiómicas. En mi opinión, hay algunas partes que son excesivamente técnicas para el radiólogo común, como el epígrafe que explica la segmentación de las características radiómicas. Aún así, creo importante el ir familiarizándonos con los términos y las técnicas porque, como radiólogos del futuro, tenemos la responsabilidad de conocer, dominar e investigarlas, tanto por nuestra propia competencia como por el impacto en la salud de nuestros pacientes.
Celia Alonso Rodríguez
Hospital Universitario La Princesa, R1
cbseram.com 
Deja una respuesta