Development of a combined nomogram integrating radiomics, deep learning and clinical risk factors to predict neoadjuvant chemoradiotherapy outcomes in patients with rectal cancer

Resumen Técnico: Nomograma Combinado para la Predicción de los Resultados de la Quimiorradioterapia Neoadyuvante en el Cáncer de Recto

Planteamiento del Problema
La predicción precisa de los resultados de la quimiorradioterapia neoadyuvante (nCRT) en el cáncer de recto (CR) localmente avanzado es fundamental para determinar las estrategias de tratamiento posteriores, tales como la estrategia de "observar y esperar" (watch and wait) para respondedores completos o la cirugía oportuna para no respondedores. Los métodos de evaluación actuales, que incluyen el examen patológico (invasivo y limitado por el muestreo), el tacto rectal digital (subjetivo e incapaz de cuantificar la profundidad) y los marcadores tumorales séricos como el CEA (ineficaz para no secretores), carecen de las capacidades no invasivas, precisas y personalizadas requeridas para la toma de decisiones clínicas. Además, las lesiones post-nCRT suelen presentar edema, fibrosis e inflamación, lo que complica la evaluación mediante la RM estándar por sí sola. Este estudio aborda la necesidad de una herramienta predictiva robusta y no invasiva que integre datos de imagen y clínicos para pronosticar la eficacia de la nCRT.

Metodología
El estudio utilizó una cohorte retrospectiva de 292 pacientes con cáncer de recto (230 en el conjunto de entrenamiento, 62 en el de validación) que se sometieron a una RM ponderada en T2 pre-nCRT y a una posterior escisión total del mesorecto (TME). El resultado se definió mediante la gradación de regresión tumoral patológica (TRG), categorizando a los pacientes en respondedores (TRG1/2) y no respondedores (TRG3).

La metodología consistió en un enfoque de modelado de múltiples pasos:

1. Preprocesamiento y anotación de imágenes: Las imágenes de RM se sometieron a una corrección de campo de sesgo N4, remuestreo a vóxeles isotrópicos de 1 mm³ y segmentación manual de las regiones intratumorales y peritumorales por parte de radiólogos experimentados utilizando ITK-SNAP.
2. Desarrollo del modelo de radiómica: Se extrajeron 1,561 características radiómicas (forma, estadísticas de primer orden y textura) utilizando PyRadiomics. Las características se filtraron por confiabilidad interobservador (ICC > 0.80), multicolinealidad (|r| ≥ 0.95) y se seleccionaron mediante regresión LASSO. Se construyeron dos modelos: uno utilizando únicamente regiones intratumorales (Rad-Tumor) y otro combinando regiones intra y peritumorales (Rad-Tumor+Peri).
3. Desarrollo del modelo de aprendizaje profundo (DL): Se entrenó una red neuronal convolucional ResNet50 en las mismas regiones segmentadas. Se aplicó aumentación de datos (rotación, traslación, escalado, inversión) para aumentar el tamaño de la muestra de entrenamiento ocho veces. De manera similar a la radiómica, se construyeron dos modelos de DL: DL-Tumor y DL-Tumor+Peri.
4. Selección de variables clínicas: Los factores clínicos (demografía, estadificación por RM, biomarcadores séricos) se evaluaron mediante regresión univariante y multivariante. Solo la invasión vascular extramural (EMVI) y la localización del tumor se retuvieron como predictores significativos.
5. Construcción del nomograma: Se desarrolló un nomograma combinado integrando el Radscore (del modelo Rad-Tumor+Peri), el DLscore (del modelo DL-Tumor+Peri) y las variables clínicas seleccionadas (EMVI, localización del tumor).

Contribuciones Clave

• Integración de regiones peritumorales: El estudio demuestra que la inclusión de las características del tejido adiposo peritumoral mejora significativamente el rendimiento predictivo sobre los modelos de solo tumor, tanto para los enfoques de radiómica como de aprendizaje profundo.
• Estrategia de modelado híbrido: El artículo introduce un nomograma que sinergiza características de aprendizaje profundo de alta dimensión, firmas radiómicas estadísticas y factores de riesgo clínicos específicos, en lugar de depender de una sola modalidad.
• Análisis comparativo: Proporciona una comparación directa del rendimiento entre la radiómica tradicional, el aprendizaje profundo y su aplicación combinada dentro de un único marco clínico.

Resultados

• Rendimiento del modelo: En el conjunto de datos de validación, el nomograma combinado alcanzó la mayor precisión predictiva con un Área Bajo la Curva (AUC) de 0.921 (IC 95%, 0.824–0.974). Esto fue significativamente superior al modelo independiente DL-Tumor+Peri (AUC 0.845) y al modelo Rad-Tumor+Peri (AUC 0.739) (todos los valores de p < 0.05).
• Impacto de las características peritumorales: La incorporación de las regiones peritumorales mejoró el AUC tanto para el modelo de radiómica (de 0.666 a 0.739) como para el modelo de aprendizaje profundo (de 0.817 a 0.845) en el conjunto de validación.
• Utilidad clínica: El Análisis de la Curva de Decisión (DCA) indicó que el nomograma proporcionó un mayor beneficio neto en la mayoría de las probabilidades de umbral en comparación con otros modelos. Las curvas de calibración y la prueba de Hosmer–Lemeshow confirmaron una buena consistencia entre las probabilidades predichas y los resultados reales.
• Factores clínicos específicos: El análisis multivariante identificó la EMVI y la localización del tumor como los únicos predictores clínicos significativos entre los 13 factores inicialmente recolectados.

Significancia y Reivindicaciones
Los autores afirman que el nomograma desarrollado sirve como una herramienta eficaz y no invasiva para predecir los resultados de la nCRT postoperatoria en pacientes con cáncer de recto. Al integrar características de aprendizaje profundo, firmas de radiómica y variables clínicas, el modelo ofrece un rendimiento diagnóstico superior a los enfoques de una sola modalidad. El estudio plantea que esta herramienta puede ayudar a los médicos a personalizar las estrategias de tratamiento, potencialmente ahorrando a los pacientes los efectos secundarios innecesarios de una terapia ineficaz o previniendo la progresión del tumor al identificar tempranamente a los no respondedores. Los autores reconocen las limitaciones, incluyendo la naturaleza retrospectiva y de un solo centro del estudio, así como la complejidad de los métodos computacionales, sugiriendo que es necesaria una validación externa para confirmar su robustez.