Development and validation of a knowledge-guided prognostic model in glioma based on hypoxia-related radiomic features

Los tumores cerebrales conocidos como gliomas se encuentran entre las enfermedades más difíciles de tratar. Surgen de las células de soporte del sistema nervioso central y son célebres por su capacidad de cambiar y adaptarse, lo que los hace difíciles de predecir o controlar. Un factor crítico en el comportamiento de estos tumores es una condición llamada hipoxia, que simplemente significa la falta de oxígeno. Cuando un tumor crece demasiado rápido para que su suministro de sangre pueda seguirle el ritmo, las células internas comienzan a asfixiarse. Esta inanición de oxígeno no es solo un estado pasivo; actúa como un poderoso motor que hace que el cáncer sea más agresivo, ayuda a que resista el tratamiento y, a menudo, conduce a un peor desenlace para el paciente. Durante décadas, los médicos han luchado por medir esta privación de oxígeno sin recurrir a cirugías invasivas, dejándolos adivinar la verdadera naturaleza de la enfermedad dentro de la cabeza de un paciente.

Los investigadores han esperado durante mucho tiempo que las imágenes médicas pudieran proporcionar una ventana a esta biología oculta. El campo de la radiómica intenta hacer precisamente eso, utilizando computadoras para encontrar patrones en las exploraciones de resonancia magnética (RM) estándar que son demasiado sutiles para el ojo humano. Sin embargo, muchos intentos previos de vincular estos patrones de imagen con la supervivencia del paciente han sido un acierto o un error, a menudo porque se dejaba a las computadoras buscar patrones por su cuenta sin ninguna guía biológica. Un nuevo estudio de un equipo de la Universidad de Soochow y hospitales afiliados en China busca cambiar este enfoque. En lugar de dejar que la computadora adivine, construyeron un modelo que utiliza lo que los científicos ya saben sobre cómo reaccionan los tumores ante el bajo oxígeno para guiar la búsqueda. Al combinar este conocimiento biológico con el análisis de imágenes avanzado, crearon una herramienta que puede predecir cuánto tiempo es probable que viva un paciente con un glioma, ofreciendo un camino más claro hacia una atención personalizada.

El equipo comenzó recopilando datos de 471 pacientes de dos hospitales diferentes y una base de datos pública. Se centraron en pacientes que se habían sometido a cirugía y que tenían exploraciones de RM preoperatorias realizadas con máquinas de alta potencia. Estas exploraciones incluían tres tipos diferentes de imágenes: vistas estándar en blanco y negro, imágenes que resaltan el líquido e imágenes tomadas después de la inyección de un contraste para mostrar dónde estaban activos los vasos sanguíneos. Antes de que la computadora pudiera analizar las imágenes, dos radiólogos expertos con años de experiencia dibujaron cuidadosamente los contornos de los tumores y de la inflamación que los rodea en cada corte de la exploración. Esto aseguró que la computadora estuviera mirando exactamente las mismas áreas en cada paciente.

Para enseñarle a la computadora cómo se ve el "bajo oxígeno" en un tumor, los investigadores recurrieron primero a una base de datos de información genética. Analizaron los genes de muestras tumorales de 152 pacientes para calcular una puntuación que representaba cuánto estaba luchando el tumor contra la falta de oxígeno. Esta puntuación genética sirvió como la verdad fundamental, la realidad biológica contra la cual se probarían las imágenes. Luego, utilizaron un algoritmo informático para extraer miles de detalles diminutos de las exploraciones de RM, tales como la textura del tumor, su forma y la intensidad de los píxeles. El objetivo era encontrar qué detalles de imagen de esos miles coincidían con los signos genéticos de la falta de oxígeno.

Los investigadores aplicaron entonces una estrategia única para construir su modelo de predicción. Dividieron los detalles de la imagen en dos grupos: aquellos que probablemente estaban relacionados con el bajo oxígeno y aquellos que no lo estaban. Cuando entrenaron a la computadora para predecir la supervivencia del paciente, le dieron al grupo de "bajo oxígeno" una ventaja especial, diciéndole al modelo que prestara especial atención a estas características específicas. Este enfoque guiado por el conocimiento significó que el modelo no solo buscaba cualquier patrón que pudiera correlacionarse con la supervivencia, sino que buscaba específicamente patrones que tuvieran sentido biológico. Probaron cinco tipos diferentes de métodos de aprendizaje computacional para ver cuál funcionaba mejor al identificar el estado de oxígeno de los tumores, y un método estadístico estándar llamado regresión logística surgió como el más preciso.

Los resultados mostraron que este nuevo modelo funcionaba notablemente bien. Cuando los investigadores utilizaron el modelo para dividir a los pacientes en grupos de alto y bajo riesgo, la diferencia en sus resultados de supervivencia fue drástica. Los pacientes en el grupo de alto riesgo, cuyos tumores mostraban los patrones de imagen vinculados al bajo oxígeno, vivieron vidas significativamente más cortas que aquellos en el grupo de bajo riesgo. El modelo fue capaz de predecir la supervivencia con alta precisión, identificando correctamente los resultados con tres años de antelación en la gran mayoría de los casos. En un centro hospitalario, el modelo alcanzó un AUC de 0.926 para la supervivencia a tres años, y en el segundo centro, alcanzó un AUC de 0.833. Estas cifras se mantuvieron constantes incluso cuando el modelo fue probado en grupos de pacientes completamente diferentes, lo que sugiere que no fue solo una suposición afortunada basada en un conjunto de datos.

Más allá de predecir la supervivencia, el estudio ofreció una mirada más profunda a por qué estos tumores son tan peligrosos. Los investigadores descubrieron que los tumores de alto riesgo, identificados por los patrones de imagen, eran biológicamente distintos. Estaban llenos de un tipo específico de célula llamada fibroblasto estromal, que ayuda a construir la estructura del tumor. Este entorno denso probablemente hace que sea más difícil para el sistema inmunológico combatir el cáncer y más difícil para que los fármacos lleguen a las células tumorales. Los patrones de imagen también se correlacionaron fuertemente con marcadores del sistema inmunológico, lo que sugiere que la forma en que un tumor se ve en una RM es un reflejo directo de la compleja batalla que ocurre en su interior entre el cáncer y las defensas del cuerpo.

El estudio también destacó las limitaciones de su trabajo. Los investigadores señalaron que el proceso de dibujar manualmente los contornos del tumor era muy laborioso para los médicos, y que el estudio se basó en exploraciones de RM estándar en lugar de técnicas de imagen más avanzadas y especializadas. También señalaron que, aunque el modelo funcionó bien, fue construido con datos del pasado, y que estudios futuros tendrían que probarlo en entornos clínicos en tiempo real para ver si realmente puede guiar las decisiones de tratamiento. A pesar de estas advertencias, los hallazgos sugieren que, al enseñar a las computadoras a buscar las pistas biológicas adecuadas, los médicos podrían pronto tener una forma no invasiva de comprender la agresividad oculta de un tumor cerebral. Esto podría permitirles adaptar los tratamientos de manera más precisa, enfocándose en los pacientes que necesitan la atención más agresiva y protegiendo a otros de una toxicidad innecesaria. El trabajo representa un paso hacia un futuro donde la imagen de un tumor cuente una historia completa, no solo de su tamaño, sino de su biología y su destino probable.