Un modelo de aprendizaje profundo ha demostrado su capacidad para predecir el riesgo de recurrencia del cáncer de mama y el posible beneficio de la adición de quimioterapia basándose en imágenes histopatológicas, en lugar de pruebas genómicas, en pacientes con cáncer de mama con receptores hormonales positivos y HER2 negativo. Los hallazgos fueron presentados durante el congreso inaugural de Inteligencia Artificial (IA) y Oncología Digital de la Sociedad Europea de Oncología Médica (ESMO).1 Este modelo permitiría a los clínicos en países en desarrollo determinar las puntuaciones de recurrencia del cáncer de mama Oncotype DX® a partir únicamente de imágenes con hematoxilina y eosina, y potencialmente evitar el tratamiento excesivo de pacientes de bajo riesgo.
“Esto puede tener un impacto muy importante en lugares donde las decisiones sobre la quimioterapia se basan en el riesgo clínico y es especialmente significativo para reducir el tratamiento excesivo [en pacientes con cáncer de mama con receptores hormonales positivos y HER2 negativo]”, afirmó el autor principal, Gil Shamai, PhD, del Technion – Instituto de Tecnología de Israel, Haifa.
Antecedentes
Las pruebas genómicas han mejorado la toma de decisiones clínicas con respecto al uso de la quimioterapia en pacientes con cáncer de mama con receptores hormonales positivos y HER2 negativo. Por ejemplo, la puntuación de recurrencia Oncotype DX es uno de esos ensayos de expresión génica que se ha integrado en las Guías de Práctica Clínica de la Red Integral de Cáncer (NCCN) para el Cáncer de Mama, con una recomendación preferente.2 Las Guías ahora recomiendan, según los resultados del ensayo TAILORx, que los pacientes con una puntuación de recurrencia de 26 o superior reciban quimioterapia con terapia endocrina, ya que son los que tienen más probabilidades de beneficiarse de la adición de quimioterapia.2,3
Este puede tener un impacto muy importante en lugares donde las decisiones sobre la quimioterapia se basan en el riesgo clínico y es especialmente significativo para reducir el tratamiento excesivo.
— GIL SHAMAI, PhD
Tweet this quote
Sin embargo, el Dr. Shamai señaló que estos ensayos genómicos son muy costosos y requieren mucho tiempo, lo que dificulta su acceso en los países en desarrollo. Como tal, en los países en desarrollo, la toma de decisiones sobre el tratamiento depende más del riesgo clínico. En India, por ejemplo, alrededor del 85% de los pacientes con cáncer de mama con receptores hormonales positivos y HER2 negativo reciben quimioterapia.
El Dr. Shamai y sus coinvestigadores buscaron predecir la puntuación de Oncotype Dx de los pacientes directamente a partir de imágenes histopatológicas utilizando el aprendizaje profundo “porque este enfoque podría ofrecer una solución mucho más asequible y rápida, y es especialmente útil en lugares donde las pruebas genómicas son menos accesibles”.
Entrenamiento del Modelo
Los investigadores se basaron en el modelo base GigaPath, que está preentrenado en 171.189 portaobjetos de hematoxilina y eosina. Los portaobjetos se segmentaron en tejido y fondo y luego se dividieron en pequeñas teselas de imagen. A partir de ahí, el modelo extrajo características de imagen de las teselas que se utilizaron con un codificador transformador y aprendizaje de múltiples instancias para etiquetar los portaobjetos y determinar las puntuaciones de recurrencia de Oncotype DX con variables clínicas. El modelo se ajustó y validó posteriormente en pacientes del ensayo TAILORx (n = 2.407) así como en seis cohortes externas en todo el mundo (n = 13.781).
Resultados del Modelo
En el conjunto de validación TAILORx, la estratificación de la supervivencia para la supervivencia libre de recurrencia a distancia fue similar entre la puntuación de recurrencia basada en IA (razón de riesgo [HR] = 2,88, intervalo de confianza [IC] del 95% = 1,73–4,79; P < 0,001) y la puntuación de Oncotype DX.
El modelo se evaluó entonces para determinar cómo el beneficio de la quimioterapia se relacionaba con las evaluaciones del riesgo de recurrencia basadas en la IA. Para las pacientes posmenopáusicas, aquellas con una puntuación de recurrencia basada en la IA entre 11 y 26 no mostraron ningún beneficio de la adición de quimioterapia en términos de supervivencia libre de recurrencia (HR = 0,95, IC del 95% = 0,71–1,27; P = 0,739). En las pacientes premenopáusicas con una puntuación basada en la IA entre 16 y 26, la supervivencia libre de recurrencia pareció mejorar con el tratamiento con quimioterapia (HR = 0,55, IC del 95% = 0,36–0,82; P < 0,001).
“Esto convierte a nuestro modelo en la primera prueba predictiva basada en la evidencia en el cáncer de mama basada en la patología digital”, señaló el Dr. Shamai.
Cuando se validó con cohortes de Australia, Israel y Estados Unidos, el modelo mostró una alta generalizabilidad predictiva, con áreas bajo la curva que oscilaron entre 0,832 y 0,903. “Esto demuestra que este enfoque de modelo base puede ser transferible a nuevos datos”, afirmó.
Para evaluar el impacto del modelo en los países en desarrollo, los investigadores midieron el riesgo de los pacientes del ensayo TAILORx utilizando los criterios MINDACT para el riesgo clínico. El modelo reclasificó a varios pacientes (5,4%) de bajo riesgo según los criterios MINDACT a alto riesgo según los criterios del modelo de IA, y a un 30,1% se les reclasificó de alto a bajo riesgo, lo que indica que es posible que no se beneficien de la quimioterapia.
El Dr. Shamai señaló que, en el futuro, los investigadores están iniciando un ensayo clínico en India para validar aún más este modelo base.
DECLARACIÓN DE DIVULGACIÓN: El Dr. Shamai no declaró ningún conflicto de intereses.
REFERENCIAS
1. Shamai G, Cohen S, Binenbaum Y, et al: Deep learning on histopathological images to predict breast cancer recurrence risk and chemotherapy benefit. ESMO AI & Digital Oncology 2025. Abstract 172MO. Presented November 12, 2025.
2. Gradishar WJ, Moran MS, Abraham J, et al: NCCN Clinical Practice Guidelines in Oncology: Breast Cancer. Version 5.2025. Available at NCCN.org. Accessed November 12, 2025.
3. Sparano JA, Gray RJ, Makower DF, et al: Adjuvant chemotherapy guided by a 21-gene expression assay in breast cancer. N Engl J Med 379:111-121, 2018.
También te puede interesar