A spatial AI-based biomarker with independent prognostic value in early low- and intermediate- risk breast cancer

El cáncer de mama es una enfermedad en la que las propias células del cuerpo comienzan a crecer sin control y, para muchas mujeres, el tipo más común involucra células que son impulsadas por el estrógeno pero que no reaccionan a una proteína llamada HER2. Los médicos saben desde hace tiempo que algunos de estos cánceres son de crecimiento muy lento y es poco probable que regresen después de la cirugía, mientras que otros son más agresivos. Para decidir quién necesita un tratamiento adicional, como la quimioterapia, los patólogos examinan muestras de tejido bajo un microscopio. Asignan un grado al tumor basándose en qué tan anormales se ven las células; un grado bajo suele significar un mejor pronóstico, mientras que un grado alto sugiere un mayor riesgo. Sin embargo, este sistema no es perfecto. Muchas pacientes con tumores que se ven solo moderadamente anormales siguen enfrentando el riesgo de que el cáncer regrese años después, mientras que otras con tumores de apariencia similar permanecen completamente sanas. El desafío es encontrar una manera de distinguir entre estos dos grupos sin depender de pruebas genéticas costosas o de las suposiciones.

Un equipo de investigadores en Suecia ha desarrollado una nueva forma de observar estas muestras de tejido utilizando inteligencia artificial. En lugar de simplemente dar al tumor completo una única puntuación promedio, su método presta mucha atención a dónde aparecen patrones específicos en la lámina. Descubrieron que la ubicación de las células de aspecto peligroso importa tanto como la cantidad de estas. Específicamente, encontraron que cuando los grupos de células de alto riesgo se reúnen en el borde mismo del tumor, donde este se encuentra con el tejido sano, el riesgo de que el cáncer regrese es significativamente mayor. Este hallazgo ofrece una nueva herramienta para identificar qué pacientes necesitan realmente un tratamiento más agresivo y cuáles pueden evitarlo de forma segura, todo ello utilizando las láminas de microscopio estándar que los hospitales ya poseen.

Los investigadores partieron de una idea sencilla: que la forma en que un tumor se organiza en el espacio contiene secretos que una simple puntuación promedio pasa por alto. Imaginen un tumor no como una masa uniforme, sino como un paisaje con diferentes vecindarios. Algunas partes podrían verse tranquilas y ordenadas, mientras que otras podrían ser caóticas y agresivas. Durante años, los modelos de inteligencia artificial utilizados para analizar estas láminas han sido entrenados para observar la imagen completa y producir un solo número que represente el riesgo general. Si bien estos modelos son potentes, suelen suavizar los detalles, mezclando los bordes caóticos con los centros tranquilos en una sola puntuación diluida. El equipo detrás de este estudio, trabajando con datos de miles de pacientes en toda Suecia, planteó la hipótesis de que, si pudieran mapear exactamente dónde se encontraban las partes peligrosas, podrían hallar una señal más clara. Se centraron su atención en el "frente invasivo", el límite exterior del tumor donde las células cancerosas interactúan con el tejido circundante y se adentran en él. Esta es una zona biológicamente activa donde las células a menudo cambian de forma para volverse más móviles e invasivas.

Para probar esto, los científicos utilizaron un conjunto masivo de datos de muestras de tejido de más de 6,000 mujeres con cáncer de mama en etapa temprana. Dividieron a estas pacientes en dos grupos: un grupo para entrenar sus modelos computacionales y otro grupo completamente separado para probar los resultados, asegurando que los hallazgos no fueran solo una suposición de suerte. Utilizaron un sofisticado sistema de IA para dividir cada lámina de microscopio en miles de cuadritos diminutos, o teselas, y analizaron la forma y estructura de las células en cada una de ellas. La IA fue entrenada para reconocer patrones que parecen representar un cáncer de alto grado y agresivo. Una vez que la IA había puntuado cada una de las teselas, los investigadores hicieron algo diferente a estudios previos. En lugar de solo contar cuántas teselas de alto riesgo existían, buscaron grupos. Hicieron una pregunta específica: ¿hay grupos de estas teselas de alto riesgo situados justo al lado de otras en el borde mismo del tumor? Definieron un "clúster" o grupo como un conjunto donde al menos dos tercios de las teselas vecinas también fueran de alto riesgo. Si tal clúster existía en el frente del tumor, la paciente era marcada como "clúster-positiva".

Los resultados fueron impactantes. En el grupo de pacientes con tumores que generalmente se consideraban de riesgo bajo a intermedio, la presencia de estos clústeres en el borde del tumor cambió completamente el panorama. Entre las pacientes que presentaban estos clústeres, el riesgo de que el cáncer regresara en diez años era significamente mayor. De hecho, los datos mostraron que las pacientes con estos clústeres tenían una tasa de supervivencia de diez años sin recurrencia de aproximadamente el 90 por ciento, que es inferior a la tasa del 92.6 por ciento observada en el grupo de referencia de Grado 3. Por otro lado, las pacientes que no tenían estos clústeres en el borde del tumor tenían un pronóstico excelente, con una tasa de supervivencia de diez años de más del 95 por ciento. Este grupo de pacientes "clúster-negativas" se desempeñó tan bien como aquellas con los tumores de grado más bajo, lo que sugiere que podrían recibir un tratamiento menos agresivo.

Crucialmente, este nuevo marcador proporcionó información que la puntuación estándar de la IA no podía ver por sí sola. Los investigadores encontraron que, incluso entre las pacientes cuyos tumores eran clasificados como de bajo riesgo por la puntuación general de la IA, aquellas que tenían estos clústeres específicos en el borde seguían enfrentando un riesgo mucho mayor de recurrencia. Esto significa que la disposición espacial de las células estaba revelando un peligro oculto que una simple puntuación promedio había pasado por alto. El estudio confirmó estos hallazgos en un grupo independiente de pacientes de una región diferente de Suecia, demostrando que el resultado no era específico de un solo hospital o de un conjunto de láminas. La presencia de estos clústeres se vinculó con un aumento de casi tres veces en el riesgo de recurrencia, una señal fuerte que se mantuvo constante incluso cuando los investigadores tomaron en cuenta otros factores como la edad de la paciente o el tamaño del tumor.

Este trabajo sugiere que el futuro de la evaluación del riesgo del cáncer puede residir en observar el mapa de un tumor, no solo su puntuación promedio. Al preservar la información espacial de dónde se encuentran las células de alto riesgo, los médicos podrían ser capaces de detectar a las pacientes que realmente están en riesgo, incluso si su tumor parece mayormente inofensivo. Para las pacientes que no tienen estos clústeres, la noticia es igualmente importante: ofrece evidencia sólida de que se encuentran en un grupo de muy bajo riesgo, potencialmente evitándoles tratamientos innecesarios. El estudio no pretende afirmar que haya resuelto el problema del cáncer de mama, pero proporciona un método claro y concreto para refinar cómo los médicos entienden el riesgo. Demuestra que, en el complejo paisaje de un tumor, la ubicación del peligro es tan importante como el peligro mismo.