MRI Radiomics for Survival Stratification in Glioblastoma: Benchmarking Against Clinical Variables in a Retrospective Observational Study of the UPENN-GBM Cohort

El cerebro humano es un paisaje complejo y, cuando un tumor llamado glioblastoma echa raíces allí, el camino a seguir suele ser incierto. Este es el tipo más agresivo de tumor cerebral primario en adultos y, a pesar de los avances en cirugía, radiación y medicación, el panorama sigue siendo sombrío, con una supervivencia que típicamente se mide en poco más de un año. Actualmente, los médicos confían en un conjunto estándar de pistas para adivinar cuánto tiempo podría vivir un paciente. Observan la edad del paciente, su fuerza física general y los resultados de las pruebas genéticas que revelan marcadores químicos específicos dentro de las células tumorales. Si bien estos factores proporcionan una base, no cuentan la historia completa. El tumor en sí es una mezcla caótica de diferentes tipos de células y comportamientos, una heterogeneidad biológica que las pruebas estándar suelen pasar por alto. Para ver qué está sucediendo realmente dentro del tumor, los científicos están recurriendo a un campo llamado radiómica. Este enfoque trata las imágenes médicas, como las resonancias magnéticas, no solo como imágenes para que un médico las observe, sino como vastas bibliotecas de datos. Al utilizar computadoras para medir detalles diminutos en la imagen —como la textura, la forma y las sutiles variaciones de brillo—, la radiómica intenta cuantificar la biología invisible del tumor, con la esperanza de encontrar patrones que el ojo humano no puede detectar.

En un estudio reciente, los investigadores se propusieron probar si estos detalles de la imagen medidos por computadora podían predecir la supervivencia tan bien como, o mejor que, las pistas clínicas tradicionales. Trabajaron con una colección pública de datos de 230 pacientes que habían sido diagnosticados con glioblastoma. Este conjunto de datos, conocido como la cohorte UPENN-GBM, incluía los registros médicos de los pacientes, sus resultados de pruebas genéticas y sus resonancias magnéticas preoperatorias. El equipo construyó primero un modelo de predicción utilizando la información clínica estándar: la edad del paciente, el sexo, el estado de desempeño físico y los resultados de dos pruebas genéticas específicas. Este modelo sirvió como punto de referencia, representando la mejor práctica actual para estimar la supervivencia. Luego, los investigadores centraron su atención en las resonancias magnéticas. Utilizaron software para extraer 144 características cuantitativas diferentes de las imágenes, midiendo desde la forma general del tumor hasta la compleja textura de su interior. Después de limpiar los datos y eliminar la información redundante, redujeron esta lista a 61 características distintas que portaban la señal más útil.

Utilizando estas 61 mediciones basadas en la imagen, el equipo entrenó un algoritmo de aprendizaje automático conocido como Bosque de Supervivencia Aleatoria (Random Survival Forest). A diferencia del modelo tradicional que observa las variables una por una, este algoritmo está diseñado para encontrar relaciones complejas y no lineales entre muchos factores distintos a la vez. El objetivo era ver si la computadora podía aprender a distinguir entre pacientes que sobrevivirían más tiempo y aquellos que no lo harían, basándose únicamente en la textura visual de sus tumores. Los resultados mostraron que el modelo clínico tradicional funcionaba moderadamente bien, clasificando correctamente los resultados de los pacientes aproximadamente el 63.5 por ciento de las veces. El nuevo modelo de radiómica, construido enteramente a partir de los datos de la resonancia magnética, funcionó ligeramente mejor, logrando una precisión de clasificación de aproximadamente el 65.3 por ciento. Aunque la diferencia en los números fue pequeña, la separación que creó fue significativa. Cuando los investigadores utilizaron el modelo de radiómica para dividir a los pacientes en dos grupos —un grupo de alto riesgo y un grupo de bajo riesgo—, la diferencia en sus tiempos de supervivencia reales fue drástica. Los pacientes en el grupo de bajo riesgo vivieron significativamente más tiempo que los del grupo de alto riesgo, una separación que fue estadísticamente clara y poco probable que ocurriera por azar.

El estudio sugiere que la textura y la estructura de un tumor, tal como se ven en una resonancia magnética, contienen información valiosa sobre el futuro de un paciente que no se captura solo por la edad o las pruebas genéticas. Los investigadores encontraron que la edad avanzada estaba, de hecho, vinculada a una menor supervivencia, y que ciertos marcadores genéticos, como la presencia de una mutación específica, apuntaban hacia un mejor desenlace, tal como los médicos han sabido durante mucho tiempo. Sin embargo, el modelo basado en imágenes añadió una capa de detalle que estos factores estándar pasaron por alto. El modelo de aprendizaje automático fue capaz de identificar patrones sutiles en la apariencia del tumor que se correlacionaban con la agresividad con la que se comportaría la enfermedad. Esto no significa que los métodos antiguos estén equivocados, sino que el nuevo método ofrece una visión complementaria. Es como tener un segundo par de ojos que pueden ver la rugosidad microscópica de una superficie, proporcionando un tipo diferente de evidencia para apoyar el diagnóstico.

A pesar de estos hallazgos prometedores, los investigadores advierten cuidadosamente que este trabajo aún no está listo para la práctica clínica hospitalaria. El estudio fue un análisis retrospectivo, lo que significa que observó datos que ya habían sido recolectados, en lugar de probar el modelo en nuevos pacientes en tiempo real. El conjunto de datos utilizado fue público y totalmente anonimizado, lo cual es excelente para la transparencia y permite a otros científicos verificar el trabajo, pero también significa que el tamaño de la muestra se limitó a 230 personas. Los autores señalan que para que esta tecnología se convierta en una herramienta estándar, debe ser probada en grupos de pacientes mucho más grandes de diferentes hospitales y con diferentes máquinas de resonancia magnética para asegurar que los resultados se mantengan constantes en todas partes. También reconocen que la forma en que se tomaron las imágenes pudo variar, lo que podría afectar las mediciones. Por ahora, el estudio sirve como una prueba de concepto. Demuestra que es posible utilizar datos públicos y abiertos para construir un modelo que separe significativamente a los pacientes en diferentes grupos de riesgo utilizando únicamente los datos visuales de sus escaneos. Este trabajo sienta las bases para investigaciones futuras, sugiriendo que si estas herramientas basadas en imágenes pueden refinarse y validarse, eventualmente podrían ayudar a los médicos a dar consejos más precisos a los pacientes, inscribir a las personas adecuadas en ensayos clínicos y planificar el seguimiento con mayor confianza.