📄 medicine

Preoperative Prediction of Vascular Invasion in Breast Cancer Based on Habitat-Based Radiomics Integrating Intratumoral and Multidimensional Peritumoral Features: A Multicenter DCE-MRI Study

Este estudio multicéntrico demuestra que un modelo de fusión multimodal que combina la radiómica de hábitat basada en DCE-MRI de las regiones intratumorales y peritumorales multidimensionales con factores clínicos predice eficazmente la invasión de vasos linfáticos preoperatoria en el cáncer de mama, ofreciendo una herramienta no invasiva validada para la estratificación de riesgos personalizada.

Autores originales: Hongen Li, Qingwen Xiao, Yihui Zeng, Xia Wang, Yan Zhang

Publicado 2026-09-01

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Hongen Li, Qingwen Xiao, Yihui Zeng, Xia Wang, Yan Zhang

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El cáncer de mama no es una enfermedad única y uniforme; es una colección de tumores que se comportan de maneras muy distintas. Algunos crecen lentamente y se quedan en su lugar, mientras que otros son agresivos, enviando diminutos grupos de células hacia los sistemas de transporte del cuerpo para comenzar nuevas colonias en otros lugares. Uno de los signos más críticos de este comportamiento peligroso es la invasión de los vasos linfáticos. Esto ocurre cuando las células cancerosas se liberan del tumor principal y se deslizan en los diminutos vasos que transportan fluidos a través del cuerpo, actuando como una autopista para la propagación de la enfermedad. Saber si estas células han entrado en los vasos antes de la cirugía es vital para los médicos. Les ayuda a decidir cuánto tejido eliminar y si un paciente necesita tratamientos más intensos después. Durante décadas, la única forma de saber con certeza si esta invasión ha ocurrido era esperar hasta que el tumor fuera extraído y examinado bajo un microscopio. Este retraso deja a pacientes y médicos adivinando durante la fase de planificación más crítica.

Los investigadores han esperado durante mucho tiempo que la imagenología avanzada pudiera proporcionar una imagen clara de este peligro oculto antes de que el bisturí toque al paciente. La resonancia magnética, o RM, ya es una herramienta poderosa para observar el tejido mamario, mostrando detalles que otros escaneos pasan por alto. Sin embargo, las formas estándar de observar estas imágenes suelen tratar un tumor como un objeto único y sólido. Este enfoque pasa por alto el complejo paisaje interno del cáncer, donde diferentes áreas pueden tener variaciones en el flujo sanguíneo, la densidad celular y los entornos químicos. Para resolver esto, un equipo de científicos se propuso construir un nuevo tipo de mapa. Querían ver si podían utilizar las sutiles texturas y patrones dentro de una exploración de RM para predecir si las células cancerosas ya habían comenzado su viaje hacia el sistema linfático, combinando los datos visuales con hechos simples sobre la salud del paciente para crear una guía confiable para el tratamiento.

El estudio, realizado en dos importantes hospitales de China, reunió datos de 742 mujeres con cáncer de mama. Los investigadores se centraron en un tipo específico de exploración de RM llamado RM con contraste dinámico, que rastrea cómo un tinte se mueve a través del tejido a lo largo del tiempo, revelando la velocidad y el patrón del flujo sanguíneo. Comenzaron trazando un contorno cuidadoso alrededor de cada tumor en la exploración. Luego, hicieron algo más detallado de lo habitual: no solo observaron el tumor en sí, sino también el tejido inmediatamente circundante. Ampliaron su visión en pasos, revisando el tejido a un milímetro, tres milímetros, cinco milímetros, siete milímetros y, finalmente, diez milímetros de distancia del borde del tumor. Esto se hizo para ver si el "vecindario" alrededor del cáncer contenía pistas sobre su agresividad.

Para comprender el interior del tumor, los investigadores utilizaron un método inspirado en la ecología, tratando al tumor como un paisaje con diferentes hábitats. En lugar de ver una gran mancha, utilizaron algoritmos informáticos para dividir el tumor en zonas más pequeñas y distintas basadas en cómo se comportaban las células. Algunas zonas podrían ser densas en células, mientras que otras podrían ser ricas en vasos sanguíneos. Al analizar estos "hábitats" específicos, esperaban encontrar las firmas únicas de las partes más peligrosas del tumor. Alimentaron toda esta información visual —tanto los hábitats internos como las capas de tejido circundantes— en un conjunto de programas de aprendizaje computacional. Estos programas fueron diseñados para encontrar patrones que los ojos humanos pasarían por alto, probando nueve tipos diferentes de modelos matemáticos para ver cuál podía predecir mejor la presencia de invasión linfática.

Los resultados mostraron que observar el tumor de forma aislada no era suficiente. Los modelos que solo miraban el tumor o anillos muy estrechos de tejido circundante tuvieron dificultades para ser precisos. Sin embargo, cuando los investigadores combinaron los datos del sector de siete milímetros alrededor del tumor con los mapas de hábitats internos, la imagen se volvió mucho más clara. Luego añadieron dos piezas de información que los médicos ya conocen: si la paciente había pasado por la menopausia y si los ganglios linfáticos centinela cercanos (los primeros ganglios en captar el cáncer) mostraban signos de problemas. Esta combinación creó una herramienta poderosa. Al probarla en un grupo de pacientes completamente separado de un hospital diferente, este modelo combinado identificó correctamente el riesgo de invasión linfática en aproximadamente el 71 por ciento de los casos en los que estaba presente, y también descartó correctamente su presencia en aproximadamente el 75 por ciento de los casos en los que estaba ausente.

El estudio encontró que el enfoque más efectivo no era depender de un solo tipo de datos. Un modelo que utilizaba solo la historia clínica de la paciente era aceptable, pero añadir los detallados datos de imagenología mejoró significamente la capacidad de detectar los casos peligrosos. Los investigadores señalaron que el anillo de siete milímetros alrededor del tumor parecía capturar la información más útil, probablemente porque incluye el borde activo donde el tumor interactúa con el cuerpo, sin perderse en el ruido del tejido que está demasiado lejos. Si bien los modelos computacionales no eran perfectos, ofrecían un nivel de conocimiento que antes no estaba disponible antes de la cirugía. El estudio sugiere que, al observar el tumor como un entorno complejo y cambiante en lugar de un objeto estático, los médicos pueden obtener una mejor idea de la amenaza que este representa.

Este trabajo no pretende haber resuelto el problema por completo. Los investigadores fueron cuidadosos al señalar que su modelo es una herramienta para asistir a los médicos, no un reemplazo para el examen patológico final. El estudio fue retrospectivo, lo que significa que analizó datos que ya habían sido recolectados, y el número de pacientes en el grupo de prueba final era relativamente pequeño. También existen diferencias en las máquinas de RM utilizadas en los dos hospitales, lo que puede afectar la apariencia de las imágenes. A pesar de estas limitaciones, los hallazgos son significativos porque demuestran que una exploración no invasiva puede revelar el comportamiento oculto de un tumor. Al integrar la complejidad visual del microambiente del tumor con hechos clínicos directos, este enfoque ofrece una forma prometedora de estratificar el riesgo antes de que la paciente entre en la sala de operaciones, lo que potencialmente conduce a planes de tratamiento más precisos y personalizados.

Resumen Técnico: Predicción Preoperatoria de la Invasión Vascular en el Cáncer de Mama mediante Radiómica Basada en Hábitats

Planteamiento del Problema

La invasión de vasos linfáticos (LVI, por sus siglas en inglés) es un indicador pronóstico crítico en el cáncer de mama, asociado con la recurrencia local, la metástasis a distancia y la reducción de la supervivencia global. Sin embargo, el estándar de oro actual para el diagnóstico de LVI es la patología postoperatoria, lo que impide su uso en la toma de decisiones preoperatorias. Aunque las biopsias con aguja central son mínimamente invasivas, a menudo no logran capturar la región peritumoral donde es más probable que ocurra la LVI. Los modelos de radiómica no invasivos existentes a menudo tratan los tumores como entidades homogéneas o dependen de expansiones peritumorales de ancho fijo, fallando en capturar adecuadamente la heterogeneidad espacial del microambiente tumoral (TME) y las complejas interacciones entre las subregiones intratumorales y el tejido circundante. Además, muchos modelos existentes carecen de una validación externa rigurosa en diferentes dispositivos de imagen, lo que limita su generalizabilidad.

Metodología

Este estudio multicéntrico retrospectivo utilizó datos de 742 pacientes con cáncer de mama en dos centros independientes (Centro 1: $n=628$ ; Centro 2: $n=114$ ). Los datos del Centro 1 se dividieron en conjuntos de entrenamiento ( $n=439$ ) y de validación interna ( $n=189$ ), mientras que el Centro 2 sirvió como un conjunto de prueba externo independiente.

Adquisición y Preprocesamiento de Datos

Imagen: Se realizó resonancia magnética con contraste dinámico (DCE-MRI) en escáneres de 3.0T (Philips Ingenia en el Centro 1; GE Discovery MR750 en el Centro 2) con parámetros de adquisición variables para simular la heterogeneidad del mundo real.
Segmentación: Dos radiólogos experimentados delinearon manualmente las regiones de interés (ROI) del tumor en las imágenes de fase 3 de DCE-MRI.
Expansión Peritumoral: La ROI original se expandió radialmente para crear máscaras peritumorales en cinco distancias incrementales: 1, 3, 5, 7 y 10 mm.
Generación de Hábitats: Para caracterizar la heterogeneidad intratumoral (ITH), se extrajeron características basadas en vóxeles (entropía y energía) utilizando una ventana deslizante de 3×3×3. Se aplicó el agrupamiento K-means para segmentar el tumor en subregiones funcionales ("hábitats"). El número óptimo de clústeres se determinó mediante el índice de Calinski-Harabasz (CH), resultando en tres subregiones distintas.

Extracción y Selección de Características

Radiómica: Las características se extrajeron utilizando PyRadiomics, cubriendo estadísticas de primer orden, forma y matrices de textura (GLCM, GLRLM, GLSZM, GLDM, NGTDM).
Robustez: Las características fueron evaluadas para su robustez utilizando coeficientes de correlación intraclase (ICC $\ge$ 0.85) a partir de análisis de test-retest e inter-evaluador.
Reducción de Dimensionalidad: Se eliminaron las características altamente correlacionadas (correlación de Spearman $\ge$ 0.90), seguido de una regresión logística Lasso para seleccionar las características predictivas finales.

Construcción del Modelo

Se evaluaron nueve algoritmos de aprendizaje automático (Regresión Logística, Naive Bayes, SVM, KNN, Random Forest, ExtraTrees, XGBoost, LightGBM, AdaBoost). El estudio construyó y comparó las siguientes firmas:

Intratumoral (Intra): Características del núcleo del tumor.
Peritumoral (Peri1mm–Peri10mm): Características de distancias de expansión específicas.
Hábitat (Habitat): Características derivadas de las subregiones funcionales agrupadas.
Clínica (Clinic): Predictores independientes identificados mediante análisis multivariante (estado de la menopausia y estado del ganglio centinela).
Combinada (Fusion): Un modelo multimodal que integra las características de hábitat de ExtraTrees óptimas con predictores clínicos.

Resultados Clave

Rendimiento del Modelo

Análisis Peritumoral: Entre las diversas distancias de expansión, la región peritumoral de 7 mm combinada con el algoritmo AdaBoost demostró la mejor generalización en el conjunto de prueba externo (AUC = 0.674), aunque las diferencias entre las distancias no fueron estadísticamente significativas.
Análisis de Hábitat: El algoritmo ExtraTrees mostró el mejor equilibrio entre rendimiento y generalización para las características de hábitat (AUC de prueba = 0.668), superando a XGBoost, que sufrió de sobreajuste (AUC de entrenamiento = 0.927 frente a AUC de prueba = 0.650).
Predictores Clínicos: El análisis multivariante identificó el estado de la menopausia (OR = 2.008) y el estado del ganglio centinela (OR = 0.157) como predictores independientes de LVI.
Modelo de Fusión: El modelo de fusión multimodal (Clínica + características de hábitat de ExtraTrees) logró el rendimiento más equilibrado y robusto:
- AUC del Conjunto de Prueba Externo: 0.740 (95% IC: 0.646–0.834).
- Sensibilidad: 71.2% (significativamente mayor que el modelo de solo clínica de 64.4%).
- Especificidad: 74.5%.
- Precisión: 72.8%.

Validación y Utilidad

Calibración: El modelo de fusión demostró una excelente calibración, con probabilidades predichas que se alinean estrechamente con los resultados observados en el conjunto de prueba externo.
Análisis de Curva de Decisión (DCA): El modelo de fusión proporcionó el mayor beneficio clínico neto a través de un rango de probabilidad de umbral de 0.2–0.6, superando a los modelos de una sola modalidad y a las estrategias de "tratar a todos" o "no tratar a nadie".
Significancia Estadística: La prueba de Delong confirmó que el modelo de fusión superó significativamente al modelo de solo clínica tanto en el conjunto de entrenamiento ( $P < 0.001$ ) como en el conjunto de prueba externo ( $P < 0.001$ ).

Principales Contribuciones

Evaluación Sistemática de Distancias Peritumorales: Este estudio es el primero en comparar sistemáticamente cinco distancias de expansión peritumoral incremental (1–10 mm) para la predicción de LVI, proporcionando datos empíricos sobre la escala espacial de la influencia del microambiente.
Imagen Basada en Hábitats: El estudio aplicó con éxito la imagen de hábitats a la predicción de LVI, demostrando que el agrupamiento de los tumores en subregiones funcionales captura la heterogeneidad de manera más efectiva que tratar el tumor como una entidad única y homogénea.
Validación Multicéntrica Rigurosa: A diferencia de muchos estudios de un solo centro, este trabajo empleó una estrategia de "desarrollo en un centro, prueba independiente en otro" utilizando diferentes fabricantes de escáneres (Philips vs. GE) y protocolos, lo que aumenta la credibilidad de la generalizabilidad del modelo.
Integración Multimodal: El estudio estableció un marco que fusiona variables clínicas fácilmente disponibles con las características de hábitat de ExtraTrees óptimas, mostrando que esta combinación produce una sensibilidad superior a los factores clínicos por sí solos.

Significado y Reivindicaciones

Los autores afirman que este estudio ofrece un enfoque prometedor y no invasivo para la estratificación de riesgo preoperatorio de LVI en el cáncer de mama. Al integrar la heterogeneidad intratumoral, características peritumorales multidimensionales y factores de riesgo clínicos, el marco multimodal propuesto proporciona una base más robusta para la toma de decisiones clínicas que los métodos tradicionales.

El estudio enfatiza que, si bien el rendimiento del modelo (AUC 0.740) aún no es suficiente para servir como base única para las decisiones de tratamiento, posee un valor significativo como herramienta complementaria. Es particularmente útil para refinar la estratificación de riesgo en casos donde los resultados de la biopsia son inconcluyentes respecto al estado de LVI. Los autores concluyen que este marco respalda la planificación del tratamiento personalizado, guiando potencialmente las decisiones sobre la intensidad de la quimioterapia neoadyuvante o la extensión de la resección quirúrgica, y representa un paso hacia la transición de la "radiómica" a la "radiopatómica" al vincular los fenotipos de imagen con los mecanismos biológicos subyacentes.