Modelos multimodales basados en datos multiómicos para el estudio del cáncer de mama

El proyecto se centra en el estudio profundo de la biología del cáncer y el desarrollo de terapias personalizadas de vanguardia, la identificación de biomarcadores para un diagnóstico precoz y preciso, y la creación de herramientas diagnósticas innovadoras que guíen la selección de tratamientos específicos.

Como principal hito tecnológico, VICOMTECH ha desarrollado con éxito una innovadora arquitectura de predicción basada en estrategias de integración tardía de datos multiómicos, como se describe en el artículo “Multimodal fusion strategies for survival prediction in breast cancer: A comparative deep learning study” (10.1016/j.csbj.2025.10.038), publicado en la prestigiosa revista científica Computational and Structural Biotechnology Journal. Dentro de este marco de integración, hemos conseguido fusionar de forma eficiente datos clínicos, ómicos (SNV, CNV, RNA y miRNA) e imágenes histopatológicas para predecir la supervivencia en cáncer de mama. Los desarrollos han demostrado una clara superioridad frente al estado del arte, superando en rendimiento a modelos de referencia como MCAT o PORPOISE, con una mayor capacidad de generalización y una considerable reducción de la variabilidad estadística. Más allá de las mejoras en rendimiento, uno de los grandes logros del proyecto ha sido dotar a estos modelos de mayor transparencia e interpretabilidad. Mediante un proceso de exploración basado en SHAP y enriquecimiento funcional, se ha logrado demostrar que las decisiones del modelo son biológicamente coherentes. El sistema es capaz de detectar biomarcadores clínicamente relevantes y rutas moleculares vinculadas a la proliferación celular, identificando con éxito señales de distintos subtipos, especialmente y uno de los más agresivos, el cáncer de mama triple negativo. 

De cara al futuro, estos resultados sientan las bases para dos líneas estratégicas clave. Por un lado, escalar este mismo framework multimodal para optimizar el estudio de otros tumores de alta incidencia como el cáncer de próstata o colorrectal; y por otro, evolucionar el modelo actual de cáncer de mama hacia un enfoque de tiempo continuo que refine aún más la precisión temporal en la toma de decisiones clínicas.

Adicionalmente, el centro ha trabajado en la estimación del riesgo de desarrollar cáncer de mama a medio plazo mediante el análisis de imágenes de mamografía. Para lograrlo, se han implementado modelos de inteligencia artificial interpretables basados en asimetrías bilaterales, evaluando su rendimiento tanto en bases de datos públicas como locales para trazar una hoja de ruta que mejore la robustez y la adaptación clínica de estas herramientas.