La radiómica derivada de resonancias magnéticas (RM) podría ayudar a los clínicos a identificar depósitos tumorales de alto riesgo en cáncer colorrectal antes de la cirugía, según un nuevo estudio realizado en dos centros. Los resultados sugieren que la inteligencia artificial podría mejorar la planificación del tratamiento y superar la evaluación de imágenes convencional.
Estudio en Dos Centros Evalúa Modelos de Radiómica Basados en RM
El análisis retrospectivo evaluó a 729 pacientes con cáncer colorrectal tratados entre 2018 y 2024, de los cuales 376 fueron incluidos finalmente para el desarrollo y la validación del modelo. Los investigadores investigaron si las características de radiómica extraídas de las resonancias magnéticas podían estratificar a los pacientes en función de la carga de depósitos tumorales (TD), un factor pronóstico importante asociado con la progresión de la enfermedad y peores resultados.
Los participantes fueron categorizados en tres grupos según el número de depósitos tumorales: sin depósitos, uno o dos depósitos, y tres o más depósitos. Utilizando aprendizaje automático, los investigadores construyeron modelos predictivos basados en características derivadas del tumor primario, el nódulo mesorrectal más grande, y un enfoque de fusión que combinaba ambos conjuntos de datos. Los modelos fueron entrenados utilizando el algoritmo XGBoost y evaluados utilizando múltiples métricas de rendimiento, incluyendo el área bajo la curva (AUC), la precisión, la exactitud, la sensibilidad y la puntuación F1.
Entre los enfoques probados, el modelo de radiómica de fusión demostró el rendimiento más sólido. Alcanzó valores de AUC de 0.873 en el conjunto de prueba y 0.858 en la cohorte de validación, junto con tasas de exactitud que se acercaban al 80%. Cabe destacar que este modelo combinado superó a dos radiólogos experimentados, cuya exactitud osciló entre 0.589 y 0.676, lo que destaca el potencial valor clínico del análisis cuantitativo de imágenes.
El modelo basado únicamente en el tumor también mostró una robusta capacidad predictiva, con AUC superiores a 0.84, mientras que el modelo basado en el nódulo logró un rendimiento ligeramente inferior, pero aún clínicamente relevante. Los investigadores sugieren que la integración de las características del tumor con las del nódulo mesorrectal más grande proporciona una representación más completa de la biología de la enfermedad, mejorando la clasificación de la carga de depósitos tumorales.
Implicaciones para la Planificación Personalizada del Tratamiento
Los depósitos tumorales se reconocen como un marcador pronóstico adverso en el cáncer colorrectal, que influye en la estadificación y las decisiones terapéuticas. Sin embargo, la identificación precisa de los depósitos tumorales antes de la cirugía sigue siendo un desafío utilizando únicamente la interpretación estándar de las imágenes. Los autores proponen que la radiómica basada en RM podría ofrecer una herramienta objetiva para apoyar la estratificación del riesgo preoperatorio, lo que podría guiar estrategias de tratamiento personalizadas, como una terapia neoadyuvante más intensificada o una vigilancia más estrecha.
Aunque prometedores, el diseño retrospectivo del estudio y la validación externa limitada resaltan la necesidad de investigación multicéntrica prospectiva antes de su adopción clínica generalizada. No obstante, los hallazgos se suman a la creciente evidencia de que la radiómica impulsada por la IA puede aumentar el rendimiento de los radiólogos y refinar las vías de oncología de precisión en la atención del cáncer colorrectal.
Referencia
Zhang C et al. MRI-derived radiomics for risk stratification of tumour deposits in rectal cancer: a dual-centre study. Insights Imaging. 2026;17:31.
