Ciencia y terapia del cáncer

La suspensión lipídica nanosomal de paclitaxel demuestra tasas de respuesta más altas en comparación con el paclitaxel en pacientes con cáncer de mama metastásico

Abstract

Ateeq Ahmad, Saifuddin Sheikh, Shoukath M Ali, Mahesh Paithankar, Ajay Mehta, Rajnish Nagarkar, Srinivasan Krishnan, Anup Majumdar, Kalyan K Mukherjee, Jitendra K Singh, Shanti P Shrivastav, Chiradoni T Satheesh, Tanveer Maksud, Suraj Pawar, Satish R Sonawane , Satish Kamath, Rajesh CN, Hanmant V Barkate e Imran Ahmad

El cáncer de pulmón es una de las causas más comunes de muerte relacionada con el cáncer en hombres y mujeres en todo el mundo. Un modelo estadístico apropiado para el análisis de supervivencia en el cáncer de pulmón puede proporcionar un pronóstico preciso para la planificación del tratamiento. Por lo general, las decisiones pronósticas tradicionales se toman basándose únicamente en las evaluaciones subjetivas de los patólogos. Se ha demostrado que la precisión y la objetividad del diagnóstico y el pronóstico, cuando se asisten con un algoritmo computacional, aumentarán drásticamente. En este artículo, hemos desarrollado un nuevo modelo de predicción llamado LC-Morph. El modelo de predicción incluye detección de células, segmentación y un modelo estadístico para el análisis de supervivencia. En este estudio se han utilizado imágenes de 122 pacientes con cáncer de pulmón extraídas del conjunto de datos del atlas del genoma del cáncer (TCGA). Se propone un algoritmo robusto de segmentación celular basado en la detección de semillas para segmentar con precisión cada célula individual en la imagen. Con base en los resultados de la segmentación celular, se extrae un conjunto de características celulares integrales utilizando algunos descriptores de características de imagen eficientes. Para construir una firma de imagen pronóstica para la supervivencia general del paciente, el conjunto de datos del estudio se divide aleatoriamente en un conjunto de datos de entrenamiento (82 pacientes) y un conjunto de datos de prueba (40 pacientes). Con base en los datos de entrenamiento, se utilizan modelos de Cox univariados para identificar características informativas de la imagen. Se utiliza un modelo de Cox penalizado con lazo para derivar un modelo de pronóstico basado en características de la imagen y calcular la puntuación de riesgo correspondiente (puntuación LC-Morph) que se utiliza para evaluar la supervivencia del paciente. Esta puntuación de predicción se valida externamente utilizando el conjunto de datos de prueba. También estratificamos a los pacientes en grupos de alto y bajo riesgo con base en la puntuación LC-Morph y encontramos un tiempo de supervivencia significativamente más largo en el grupo de bajo riesgo que en el grupo de alto riesgo (log-rank P = 0,013), lo que indica la eficacia de la puntuación LC-Morph para estimar las tasas de supervivencia de los pacientes con cáncer de pulmón.