Un enfoque de aprendizaje automático permite la medición cuantitativa de la histología hepática y el monitoreo de enfermedades en NASH

ANTECEDENTES Y OBJETIVOS: La evaluación histológica manual es actualmente el estándar aceptado para diagnosticar y monitorear la progresión de la enfermedad en NASH, pero está limitada por la variabilidad en la interpretación y la insensibilidad al cambio. Por lo tanto, existe una necesidad crítica de herramientas mejoradas para evaluar la patología hepática con el fin de estratificar el riesgo de los pacientes con NASH y monitorear la respuesta al tratamiento. ENFOQUE Y RESULTADOS: Aquí, describimos un enfoque basado en aprendizaje automático (ML) para la evaluación de la histología hepática, que caracteriza con precisión la gravedad de la enfermedad y su heterogeneidad, y cuantifica de manera sensible la respuesta al tratamiento en NASH. Utilizamos muestras de tres ensayos controlados aleatorios para construir y luego validar redes neuronales convolucionales profundas para medir características histológicas clave en NASH, incluyendo esteatosis, inflamación, hinchazón hepatocelular y fibrosis. Las predicciones basadas en ML mostraron fuertes correlaciones con patólogos expertos y fueron pronósticas de progresión a cirrosis y eventos clínicos relacionados con el hígado. Desarrollamos una métrica sensible a la heterogeneidad de la respuesta fibrótica, el puntaje de Evaluación del Tratamiento de Fibrosis Hepática por Aprendizaje Profundo, que midió los efectos del tratamiento antifibrótico que no fueron detectados por la estadificación patológica manual y fue concordante con la progresión histológica de la enfermedad. CONCLUSIONES: Nuestro método de ML ha demostrado reproducibilidad y sensibilidad y fue pronóstico para la progresión de la enfermedad, demostrando el poder del ML para avanzar en nuestra comprensión de la heterogeneidad de la enfermedad en NASH, estratificar el riesgo de los pacientes afectados y facilitar el desarrollo de terapias.