Leer el riesgo de recaída en los márgenes tumorales: la IA ayuda a identificar el cáncer colorrectal en estadio II

Después de una operación por cáncer colorrectal en estadio II, la cuestión verdaderamente difícil no suele ser si el tumor se ha extirpado, sino quién aún podría sufrir una recaída. Si el riesgo se subestima, el paciente puede perder la oportunidad de recibir un seguimiento estrecho o tratamiento adyuvante; si se sobreestima, puede sufrir efectos secundarios de una quimioterapia que quizá no sea necesaria. Un equipo de investigación australiano intenta ahora que la inteligencia artificial aporte otra herramienta para medir el riesgo a partir de los datos histopatológicos existentes.

Este sistema de aprendizaje profundo, denominado SÉMIL, analiza simultáneamente cortes histopatológicos digitalizados y sus descripciones textuales para clasificar a los pacientes en estadio II en grupos con mayor y menor riesgo de recaída. El objetivo del estudio no es buscar un marcador molecular completamente nuevo, sino reinterpretar los cortes que los hospitales ya elaboran habitualmente, en particular el «frente de invasión», donde el tumor avanza hacia los tejidos circundantes. El patrón de crecimiento en esa zona tiene valor pronóstico, pero su complejidad morfológica puede dificultar una clasificación uniforme entre distintos patólogos.

Los investigadores analizaron más de 1.600 cortes histopatológicos y realizaron la validación en tres cohortes independientes de pacientes de varias instituciones australianas, que en conjunto incluyeron a 1.220 pacientes con cáncer colorrectal en estadio II. El estudio se publicó en 《Gastroenterology》 y estuvo dirigido por Francis Magisson, de la Universidad La Trobe. En el equipo colaborador participaron instituciones como Austin Health, el Olivia Newton-John Cancer Research Institute, WEHI, la Universidad de Monash y la Universidad de Melbourne.

Los resultados mostraron que la estratificación del riesgo era más precisa cuando la clasificación de SÉMIL coincidía con la interpretación de los patólogos. Esto también delimita el papel más realista de la herramienta: no pretende sustituir a los patólogos, sino reforzar, mediante una segunda forma de interpretación, el análisis de zonas propensas a discrepancias. Si posteriormente se confirma su utilidad clínica, los pacientes con mayor riesgo podrían ser incluidos en un seguimiento más intensivo y el equipo médico podría evaluar la quimioterapia posoperatoria; sin embargo, la clasificación del modelo por sí sola no equivale a demostrar que el paciente se beneficiará de la quimioterapia.

El atractivo práctico de SÉMIL reside en que no requiere obtener tejido adicional ni introducir previamente nuevas pruebas costosas y, en teoría, puede integrarse en los flujos de trabajo de patología digital existentes. Sin embargo, la información universitaria y periodística disponible actualmente no aporta cifras completas de rendimiento, como sensibilidad, especificidad o curvas de discriminación, ni permite determinar suficientemente la estabilidad del modelo con distintos equipos de escaneo, procesos de tinción y poblaciones de pacientes.

Por tanto, aunque la validación independiente entre instituciones es más sólida que una prueba realizada en un único hospital, todavía no representa el punto final para su implementación clínica. A continuación, el equipo de investigación deberá confirmar mediante estudios prospectivos si la incorporación de SÉMIL mejora realmente la evaluación del riesgo por parte de los médicos, si conduce a opciones terapéuticas más adecuadas y si puede beneficiar los resultados de recaída y supervivencia de los pacientes. Hasta que estas preguntas tengan respuesta, resulta más apropiado utilizarlo como herramienta de apoyo a la toma de decisiones que como base independiente para determinar la vigilancia o la quimioterapia.