📄 medicine

Ultrasound-based deep learning-derived radiomics for preoperative prediction of sentinel lymph node metastasis in invasive breast cancer: a two-center retrospective study

Este estudio retrospectivo de dos centros desarrolló y validó externamente un modelo de radiómica de ultrasonido derivado de aprendizaje profundo utilizando ResNet50 y potenciación de gradiente que demostró un rendimiento moderado y consistente en la predicción preoperatoria de metástasis en ganglios linfáticos centinela en pacientes con cáncer de mama invasivo.

Autores originales: Kun He, Yansheng Qiu, Baohui Zeng, Zhihui Huang, Jianru Lin, Jialin Chen, Yue Mei, Jichuang Lai, Xinmin Guo

Publicado 2026-09-20

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Kun He, Yansheng Qiu, Baohui Zeng, Zhihui Huang, Jianru Lin, Jialin Chen, Yue Mei, Jichuang Lai, Xinmin Guo

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

En el viaje a través del tratamiento del cáncer de mama, una de las decisiones más críticas ocurre antes de la primera incisión: determinar si el cáncer se ha extendido a los ganglios linfáticos cercanos. Estos pequeños órganos con forma de frijol actúan como la primera línea de defensa del cuerpo, filtrando el fluido de la mama. Si las células cancerosas han viajado allí, el plan quirúrgico cambia significamente. Tradicionalmente, los médicos deben realizar una biopsia de ganglio linfático centinela, un procedimiento en el que un cirujano extrae un ganglio específico para comprobar la presencia de cáncer bajo un microscopio. Aunque es eficaz, este es un paso invasivo que conlleva riesgos de hinchazón y molestias, y no siempre es perfecto; a veces, la prueba no detecta el cáncer y otras veces, conduce a una cirugía innecesaria para pacientes cuyo cáncer no se ha extendido. Durante décadas, los investigadores han buscado una forma de predecir esta propagación mediante herramientas no invasivas, con la esperanza de ahorrar a las pacientes procedimientos que no necesitan. La ecografía, una técnica de imagen común que utiliza ondas sonoras para crear imágenes del cuerpo, ha sido durante mucho tiempo una herramienta estándar para observar bultos mamarios, pero su capacidad para ver la propagación invisible de las células cancerosas se ha visto limitada por la capacidad del ojo humano para interpretar las imágenes.

Un equipo de investigadores de dos hospitales de China ha adoptado un nuevo enfoque para este viejo problema, enseñando a una computadora a ver patrones en las imágenes de ecografía que el ojo humano podría pasar por alto. Se centraron en un tipo específico de cáncer de mama llamado cáncer de mama invasivo, donde el tumor tiene el potencial de atravesar el tejido mamario y viajar a los ganglios linfáticos. El equipo recopiló imágenes de ecografía de tumores de 246 pacientes, todos los cuales se habían sometido a cirugía para confirmar si sus ganglios linfáticos contenían cáncer. Dividieron a estos pacientes en dos grupos: un grupo de un hospital en Guangzhou para enseñar a la computadora, y un grupo separado de un hospital diferente para probar si la computadora podía aplicar lo aprendido a nuevos pacientes no vistos. La computadora no miraba las imágenes de la misma manera que un radiólogo, observando la forma o el brillo del tumor. En su lugar, utilizó un sistema de aprendizaje profundo, un tipo de inteligencia artificial, para descomponer las imágenes en miles de diminutos detalles matemáticos. El sistema utilizó entonces un algoritmo de toma de decisiones para encontrar la combinación específica de estos detalles que mejor predijera si el cáncer había alcanzado los ganglios linfáticos.

Los resultados de este estudio muestran que el modelo computacional logró un nivel moderado de éxito al realizar estas predicciones. Cuando se probó en el grupo de pacientes utilizado para entrenar el sistema, el modelo alcanzó un AUC de 0.73. Cuando los investigadores probaron el mismo modelo en el grupo independiente de pacientes del segundo hospital, el rendimiento se mantuvo constante, con el modelo logrando un AUC de 0.74. Esta consistencia a través de dos hospitales diferentes, que utilizaron diferentes máquinas de ecografía, sugiere que la computadora aprendió un patrón genuino en lugar de simplemente memorizar las imágenes específicas que se le mostraron. Sin embargo, el modelo no es una bola de cristal perfecta. En el grupo de prueba del segundo hospital, el modelo fue muy bueno identificando correctamente a las pacientes que no tenían propagación de cáncer, con una tasa de éxito de aproximadamente el 84 por ciento. Este es un hallazgo valioso porque significa que la herramienta podría ayudar a los médicos a sentirse más seguros al omitir la biopsia invasiva en ciertas pacientes de bajo riesgo.

No obstante, el estudio también destaca dónde la herramienta flaquea. El modelo fue menos exitoso al detectar cada caso en el que el cáncer sí se había extendido, identificando correctamente esos casos solo un 65 por ciento de las veces. Debido a que omitió algunos casos de propagación, los investigadores enfatizan que esta herramienta no puede reemplazar el procedimiento de biopsia estándar por sí sola. Si un médico confiara únicamente en esta predicción computarizada para descartar la propagación del cáncer, podría enviar erróneamente a algunas pacientes a casa sin el tratamiento necesario. Los autores describen el modelo como un asistente útil en lugar de un reemplazo, una herramienta que podría añadir una capa de información al proceso de toma de decisiones. Señalan que el estudio fue retrospectivo, lo que significa que analizó datos que ya se habían recopilado, y que el número de pacientes era relativamente pequeño. Los investigadores también señalan que la computadora no fue enseñada a explicar por qué tomó una determinada decisión, lo cual es un desafío común con este tipo de inteligencia artificial avanzada.

El camino a seguir, según los autores, implica probar esta herramienta en grupos de pacientes mucho más grandes en el futuro. Sugieren que, antes de que esta tecnología pueda utilizarse en las clínicas cotidianas, debe demostrarse en estudios prospectivos, donde se siga a los pacientes a través del tiempo para ver si las predicciones se mantienen en la práctica del mundo real. El objetivo es ver si la combinación de este análisis computarizado con otra información estándar, como el tamaño del tumor o la edad de la paciente, puede mejorar la precisión aún más. Por ahora, el estudio ofrece un vistazo prometedor a un futuro donde la inteligencia artificial podría ayudar a los médicos a tomar decisiones más personalizadas, potencialmente ahorrando a algunas mujeres una cirugía innecesaria mientras asegura que aquellas que la necesitan la reciban. El trabajo demuestra que, si bien la tecnología no está lista para su uso masivo, ha superado la etapa teórica y ha mostrado un potencial real y mensurable en un entorno clínico.

Resumen Técnico: Radiómica derivada de aprendizaje profundo basada en ultrasonido para la predicción preoperatoria de metástasis en el ganglio centinela en cáncer de mama invasivo

Planteamiento del problema
El estado del ganglio centinela (GC) es un factor crítico para la estadificación y la planificación del tratamiento en el cáncer de mama invasivo (CMI). Si bien la biopsia del ganglio centinela (BGC) es el estándar para la evaluación axilar, es un procedimiento invasivo asociado con hallazgos falsos negativos y morbilidad relacionada con el procedimiento. Aunque el ultrasonido preoperatorio se utiliza ampliamente debido a su accesibilidad y falta de radiación, la evaluación visual convencional sigue dependiendo del operador y puede no capturar fenotipos sutiles asociados con el potencial metastásico. El estudio aborda la necesidad de un método cuantitativo y no invasivo para estimar el riesgo de metástasis del GC preoperatoriamente, investigando específicamente si la radiómica derivada de aprendizaje profundo a partir de imágenes de ultrasonido del tumor mamario primario puede mejorar la precisión de la predicción en diferentes entornos clínicos.

Metodología
Este fue un estudio retrospectivo de dos centros que involucró a 246 pacientes con CMI confirmado patológicamente.

Cohortes: El Centro A proporcionó 194 pacientes (2013–2022) para el desarrollo del modelo y las pruebas internas, divididos en una cohorte de entrenamiento ( $n=155$ ) y una cohorte de prueba interna ( $n=39$ ). El Centro B proporcionó 52 pacientes (2022–2024) como una cohorte de validación externa independiente.
Adquisición de datos: Las imágenes de ultrasonido preoperatorio se adquirieron utilizando cuatro sistemas diferentes (Toshiba, Siemens, Philips, Supersonic Imagine) con transductores de matriz lineal de 7.5–10.0 MHz. La inclusión requería imágenes que mostraran claramente todo el límite de la lesión dentro de las dos semanas previas a la cirugía.
Segmentación: Un radiólogo delineó manualmente la región de interés (ROI) del tumor primario en las imágenes de ultrasonido utilizando 3D Slicer, con la revisión de un médico sénior.
Extracción de características: Las imágenes se redimensionaron a 224 × 224 píxeles y se normalizaron. Se utilizó una arquitectura ResNet50, preentrenada en ImageNet, para extraer 2,048 características profundas de la capa de representación de características final. Se aplicó aumentación de datos (rotación, volteo, recorte, desplazamiento de canales) para reducir el sobreajuste.
Selección de características: En la cohorte de entrenamiento, las características se sometieron a una normalización del percentil 99 y eliminación de varianza cero. Los tests t univariantes filtraron las características, seguidos de un filtrado de correlación (eliminando uno de cada par con $r > 0.90$ ). Finalmente, la regresión de LASSO (Least Absolute Shrinkage and Selection Operator) redujo el conjunto a 22 características.
Entrenamiento del modelo: Se entrenó un clasificador de Árbol de Decisión de Potenciación de Gradiente (GBDT) utilizando las 22 características profundas seleccionadas.
Evaluación: El rendimiento se evaluó mediante el Área Bajo la Curva Característica Operativa del Receptor (AUC), exactitud, sensibilidad, especificidad, valor predictivo positivo (VPP), valor predictivo negativo (VPN) y la puntuación F1. Se realizó un análisis de la curva de decisión como una evaluación exploratoria del beneficio neto.

Resultados clave

Retención de características: De las 2,048 características profundas iniciales, se retuvieron 22 para el modelo final tras la selección por LASSO.
Rendimiento de discriminación:
- Cohorte de entrenamiento: AUC de 0.734 (IC del 95%, 0.655–0.813).
- Cohorte de prueba interna: AUC de 0.761 (IC del 95%, 0.601–0.920).
- Cohorte de validación externa: AUC de 0.742 (IC del 95%, 0.598–0.886).
Métricas de validación externa: En la cohorte externa independiente, el modelo alcanzó una exactitud de 0.769, sensibilidad de 0.650, especificidad de 0.844, VPP de 0.722 y VPN de 0.742.
Consistencia: El modelo demostró una discriminación relativamente consistente a través de los cohortes de desarrollo y de validación externa, a pesar del uso de diferentes equipos de ultrasonido y poblaciones de pacientes.

Significado y afirmaciones
El artículo afirma que el modelo de radiómica de ultrasonido derivado de aprendizaje profundo proporciona una discriminación moderada y relativamente consistente para la predicción de la metástasis del GC. El estudio destaca los siguientes puntos:

Transportabilidad: El rendimiento del modelo se mantuvo estable entre dos centros distintos utilizando diferentes sistemas de ultrasonido, lo que sugiere que la señal es transportable a través de entornos clínicos.
Utilidad clínica: Los autores posicionan el modelo como una herramienta adyuvante de estratificación de riesgo preoperatorio. Expresan explícitamente que el modelo no es adecuado como una prueba de exclusión única o un reemplazo para la BGC, citando una sensibilidad de 0.650 en la cohorte externa.
Dirección futura: Los hallazgos respaldan la evaluación adicional del modelo, pero los autores enfatizan que se requiere una validación prospectiva en poblaciones más grandes y diversas antes de su implementación clínica. Señalan que la calibración y la comparación con modelos clínicos más simples (por ejemplo, tamaño del tumor, BI-RADS) son los siguientes pasos necesarios para cuantificar el valor incremental.

El estudio concluye que, si bien el marco híbrido (ResNet50 para la extracción de características y GBDT para la clasificación) ofrece un enfoque práctico para cohortes más pequeñas, los desafíos relacionados con la interpretabilidad, la armonización de datos y la naturaleza retrospectiva de los datos siguen presentes. El trabajo sirve como una base de evidencia inicial para la transportabilidad entre centros de la radiómica de ultrasonido derivada de aprendizaje profundo en el manejo del cáncer de mama.

Más como este