Advanced computational approaches for predicting immunotherapy response in non-small cell lung cancer based on clinical and histopathological data
Abstract
Lung cancer remains one of the leading causes of cancer-related mortality worldwide, with most patients diagnosed at advanced stages where curative treatment is rarely possible. In advanced non-small cell lung cancer (NSCLC), immune checkpoint inhibitors (ICIs) have significantly improved patient outcomes by enhancing anti-tumor immune responses. However, many patients eventually develop treatment resistance or experience severe adverse effects, highlighting the need for more reliable predictive and prognostic biomarkers. Current biomarkers, such as programmed death ligand 1 (PD-L1) expression, provide limited predictive performance and are typically assessed only before treatment initiation, failing to capture the dynamic biological changes occurring during therapy. Histopathological whole-slide images contain rich morphological and spatial information with potential clinical value, although their manual evaluation is time-consuming and subject to inter-observer variability. Recent advances in digital pathology and deep learning have enabled the automated extraction of clinically relevant information from tissue samples, but challenges related to data variability and real-world clinical heterogeneity remain unresolved. In this PhD thesis, we implemented machine and deep learning approaches to characterize immunotherapy response in advanced NSCLC, aiming to support biomarker discovery, improve patient stratification, and provide a more comprehensive understanding of disease evolution during treatment. First, we investigated the predictive potential of longitudinal peripheral blood biomarkers and routinely collected clinical information from electronic health records to identify long-term responders at different treatment time points using progression-free survival (PFS) analysis. We also explored the predictive value of established biomarkers, particularly PD-L1 expression. Since PD-L1 assessment currently relies on manual visual examination and is affected by inter-observer variability as well as differences in staining and scanning protocols, we developed a weakly supervised pipeline for automated tumor proportion score stratification in immunohistochemistry whole-slide images. Finally, we evaluated the complementary and synergistic value of integrating clinical and histopathological information through multimodal learning approaches combining whole-slide imaging and baseline clinical data. The methods explored in this thesis provide insights into biomarker discovery and immunotherapy response prediction in NSCLC. In particular, they contribute to a better understanding of disease progression and the biological differences underlying poor response to immunotherapy, ultimately supporting the development of more personalized treatment strategies. RESUMEN El cáncer de pulmón es una de las principales causas de mortalidad por cáncer en todo el mundo. La mayoría de los pacientes son diagnosticados en estadios avanzados, cuando la remisión completa es poco frecuente. En el cáncer de pulmón no microcítico (CPNM) avanzado, los inhibidores de puntos de control inmunitario (ICIs, del inglés Immune Checkpoint Inhibitors) han mejorado significativamente el pronóstico de los pacientes al potenciar la respuesta inmunitaria frente al tumor. Sin embargo, muchos pacientes desarrollan resistencia al tratamiento o experimentan efectos adversos graves, lo que pone de manifiesto la necesidad de biomarcadores predictivos y pronósticos más fiables. Los biomarcadores actuales, como la expresión del ligando 1 de muerte programada (PD-L1, del inglés Programmed Death-Ligand 1), presentan una capacidad predictiva limitada y normalmente se evalúan exclusivamente antes del inicio del tratamiento, sin reflejar los cambios biológicos dinámicos en el tumor durante el tratamiento. Las imágenes histopatológicas digitalizadas contienen abundante información morfológica y espacial del tejido tumoral con potencial valor clínico, pero su evaluación requiere tiempo y está sujeta a variabilidad entre observadores. Los recientes avances en patología digital y aprendizaje profundo han permitido la extracción automatizada de información clínicamente relevante a partir de muestras de tejido digitalizadas, pero los desafíos relacionados con la variabilidad de los protocolos de escaneado y tinción, sumado a la heterogeneidad en datos del mundo real, siguen representando una limitación importante. En esta tesis doctoral, se han implementado métodos de aprendizaje profundo para caracterizar la respuesta a la inmunoterapia en pacientes con CPNM avanzado, con el objetivo de apoyar el descubrimiento de biomarcadores, mejorar la estratificación de pacientes y proporcionar una comprensión más integral de la evolución de la enfermedad durante el tratamiento. En primer lugar, investigamos el potencial predictivo de biomarcadores longitudinales en sangre periférica y de información clínica recopilada rutinariamente a partir de la historia clínica para identificar a aquellos pacientes respondedores al tratamiento con respecto a distintos instantes de tiempo en relación con la supervivencia libre de progresión (PFS, del inglés Progression-Free Survival). También exploramos el valor predictivo de biomarcadores ya establecidos en guía clínica, en particular la expresión de PD-L1. Dado que la evaluación de PD-L1 depende actualmente de la inspección visual por parte del patólogo, sujeta a variabilidad interobservador, así como a diferencias en los protocolos de tinción y escaneado, desarrollamos una metodología débilmente supervisada para la estratificación automatizada del puntaje de proporción tumoral (TPS, del inglés Tumor Proportion Score) en imágenes histológicas teñidas con inmunohistoquímica. Finalmente, evaluamos el valor complementario y sinérgico de integrar información clínica e histopatológica mediante enfoques de aprendizaje multimodal que combinan imágenes histopatológicas con datos clínicos basales. Los métodos explorados en esta tesis aportan nuevo conocimiento sobre la relación entre biomarcadores clínicos y de imagen y la respuesta a la inmunoterapia en CPNM avanzado. En particular, los resultados de esta tesis contribuyen a una mejor comprensión de la progresión de la enfermedad y de las diferencias biológicas subyacentes a la variabilidad en la respuesta, apoyando en última instancia la mejora de la estratificación de los pacientes de forma más personalizada.