📄 medicine

Intratumoral and multiscale peritumoral radiomics on non-contrast CT for differentiating rectal adenocarcinoma from rectal neuroendocrine tumors: a retrospective diagnostic study

Este estudio retrospectivo demuestra que un modelo de aprendizaje automático que integra características radiómicas intratumorales y peritumorales multiescala a partir de TC sin contraste con variables clínicas logra la estimación puntual más alta para diferenciar el adenocarcinoma rectal de los tumores neuroendocrinos rectales, aunque los hallazgos siguen siendo exploratorios debido a la pequeña cohorte de un solo centro y la falta de validación externa.

Autores originales: Ximing Liu¹, Yujie Zhou¹, Lisong Zhu², Shuang Gao³, Renchen Dou³, Rixiong Wang¹

Publicado 2026-09-15

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ximing Liu¹, Yujie Zhou¹, Lisong Zhu², Shuang Gao³, Renchen Dou³, Rixiong Wang¹

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 complejo paisaje del cuerpo humano, el recto puede albergar dos tipos de tumores muy diferentes que se ven similares en una exploración, pero que requieren tratamientos completamente distintos. Uno es una forma común de cáncer que crece agresivamente, mientras que el otro es un tumor de crecimiento más lento que surge de células similares a las nerviosas. Distinguir entre ellos antes de la cirugía es crucial, ya que dicta si un paciente necesita una operación radical o un procedimiento más sencillo. Por lo general, los médicos recurren a exploraciones con contraste, donde un tinte inyectado resalta los vasos sanguíneos para revelar la naturaleza del tumor. Sin embargo, no todos los pacientes pueden recibir este tinte debido a alergias o problemas renales, y a veces solo se dispone de una exploración simple. Esto deja un vacío diagnóstico donde los médicos deben observar la forma y la textura del tumor sin la ayuda de pistas realzadas por el color.

Un equipo de investigadores se propuso ver si podían llenar este vacío utilizando un método llamado radiómica. En lugar de pedirle al ojo humano que adivine la diferencia, trataron las imágenes médicas como una vasta fuente de datos. Descompusieron las imágenes de los tumores en miles de diminutos detalles numéricos, midiendo la grisura, la rugosidad y los patrones de los píxeles que son demasiado sutiles para una persona. También observaron no solo el tumor en sí, sino también el tejido inmediatamente circundante, razonando que la influencia del tumor podría propagarse hacia sus vecinos. Al alimentar estos patrones ocultos en un programa informático capaz de aprender de ejemplos, esperaban construir una herramienta que pudiera distinguir los dos tipos de tumores utilizando únicamente las imágenes simples, sin contraste.

El estudio se centró en 87 pacientes que habían sido tratados por tumores rectales entre 2019 y 2025. Los investigadores dividieron estos casos en dos grupos: uno para enseñar a la computadora qué buscar, y otro para probar si la computadora podía aplicar lo aprendido a casos nuevos y no vistos. Dibujaron cuidadosamente los contornos alrededor de los tumores en las tomografías computarizadas (TC) simples y luego expandieron esos contornos hacia el tejido circundante en 3 milímetros y 5 milímetros, creando tres zonas distintas para analizar. A partir de estas zonas, extrajeron más de mil características por cada paciente, tales como la textura de la superficie del tumor y la distribución de las tonalidades de gris en el tejido cercano. Para asegurar que estas mediciones fueran fiables, comprobaron que diferentes observadores dibujaran las mismas líneas y obtuvieran los mismos números, manteniendo solo los datos más consistentes.

La computadora fue entonces entrenada para encontrar la combinación específica de estos diminutos detalles que mejor separaba los adenocarcinomas agresivos de los tumores neuroendocrinos. Los investigadores probaron varios enfoques matemáticos diferentes, pero un método, conocido como potenciación de gradiente extremo (extreme gradient boosting), resultó ser el más eficaz. Descubrieron que observar el tejido justo fuera del límite del tumor proporcionaba la información más útil, incluso más que observar el propio tumor o el tejido a 5 milímetros de distancia. Esto sugiere que el vecindario inmediato del tumor posee una firma única que ayuda a identificar su tipo. Cuando los investigadores combinaron estos datos de imagen con información clínica estándar, como la edad del paciente y el tamaño del tumor, la capacidad de la computadora para distinguir entre las dos condiciones mejoró aún más.

Los resultados mostraron que este enfoque combinado logró una puntuación de discriminación alta de 0,879 en una escala donde 1,0 representa una capacidad de clasificación perfecta, superando a los modelos que utilizaban solo datos clínicos o la imagen del tumor por sí sola. Sin embargo, los investigadores fueron cuidadosos al señalar que, si bien el modelo clasificaba bien los casos en general, tenía dificultades cuando se le obligaba a tomar una decisión definitiva de sí o no en un punto de corte específico. En el grupo de prueba, el modelo no identificó el 70% de los tumores neuroendocrinos cuando se utilizó el umbral estándar derivado de los datos de entrenamiento. Esta alta tasa de falsos negativos indica que el modelo aún no era lo suficientemente sensible como para ser utilizado como una herramienta diagnóstica independiente, a pesar de su fuerte rendimiento de clasificación general. El estudio también destacó que las características que la computadora encontró más importantes no fueron las que se habían demostrado estadísticamente diferentes en un sentido tradicional, sino que se trataba de una mezcla compleja de patrones que solo surgían cuando se analizaban en conjunto.

En última instancia, este trabajo sirve como una prueba de concepto más que como un producto médico terminado. Demuestra que existen pistas diagnósticas valiosas dentro de las TC simples, ocultas en la textura del tumor y del tejido circundante, esperando ser desbloqueadas por la computación avanzada. Los hallazgos sugieren que una herramienta futura podría ayudar a los médicos a tomar mejores decisiones cuando el tinte de contraste no es una opción. No obstante, debido a que el estudio se realizó en un solo hospital con un número relativamente pequeño de pacientes, los resultados se consideran exploratorios. Los investigadores enfatizan que, antes de que un sistema así pueda utilizarse en clínicas reales, debe probarse en un grupo de personas mucho más grande y diverso para asegurar que funcione de manera fiable para todos. Por ahora, ofrece un vistazo prometedor de cómo el análisis digital podría, algún día, apoyar el juicio humano en los escenarios diagnósticos más difíciles.

Resumen Técnico: Radiómica Intratumoral y Peritumoral Multiescala en TC sin Contraste para Diferenciar el Adenocarcinoma Rectal de los Tumores Neuroendocrinos Rectales

Planteamiento del Problema
Distinguir el adenocarcinoma rectal (RAC) de los tumores neuroendocrinos rectales (RNET) antes del tratamiento es clínicamente crítico debido a las divergentes estrategias de manejo. Si bien la TC con contraste realza puede revelar pistas vasculares características de los RNET, el uso de contraste yodado suele estar contraindicado o no está disponible. En consecuencia, existe la necesidad de determinar si las características cuantitativas derivadas de la TC sin contraste —específicamente la radiómica intratumoral y peritumoral— pueden discriminar eficazmente entre estas dos entidades sin depender de los datos de realce.

Metodología
Este estudio diagnóstico retrospectivo de un solo centro analizó 87 casos confirmados patológicamente (67 RAC, 20 RNET) tratados entre enero de 2019 y diciembre de 2025. La cohorte se dividió aproximadamente en 1:1 en un conjunto de entrenamiento ( $n=44$ ) y un conjunto de validación interna ( $n=43$ ).

Adquisición y Preprocesamiento de Datos: Los análisis se restringieron a imágenes de TC sin contraste previas al tratamiento. Las imágenes de varios escáneres se remuestrearon a vóxeles isotrópicos de $1\times1\times1$ mm³ y se realizó una discretización de nivel de gris con un ancho de bin fijo de 25.
Segmentación de la Región de Interés (ROI): Un radiólogo delineó manualmente las ROI intratumorales, que luego se expandieron para crear regiones peritumorales de 3 mm y 5 mm. La reproducibilidad inter e intraobservador se evaluó mediante el coeficiente de correlación intraclase (ICC), utilizándose un umbral de $\ge0.80$ para filtrar las características estables.
Extracción y Selección de Características: Se extrajeron un total de 1,561 características radiómicas por región utilizando PyRadiomics. El proceso de selección de características siguió un flujo de trabajo riguroso restringido a la cohorte de entrenamiento:
1. Filtrado de reproducibilidad (ICC $\ge0.80$ ).
2. Pruebas estadísticas univariables ( $P<0.05$ ).
3. Eliminación de redundancia mediante correlación de Spearman ( $|\rho| \ge 0.90$ ).
4. Clasificación mediante Máxima Relevancia Mínima Redundancia (mRMR).
5. Selección final mediante regresión LASSO para generar las puntuaciones de radiómica regionales (RadScores).
Variables Clínicas: Las variables clínicas candidatas incluyeron edad, sexo, estadios T/N/M, estado de metástasis, tamaño tumoral y marcadores tumorales (AFP, CEA, CA125, CA19-9). La selección utilizó regresión logística de Firth y LASSO.
Desarrollo del Modelo: Se evaluaron cinco clasificadores (LR, RF, XGB, SVM, KNN). Se probaron nueve configuraciones de características: solo clínicas, radiómica de región única (intratumoral, peritumoral de 3 mm, peritumoral de 5 mm), modelos de radiómica combinada y modelos de fusión clínico-radiómica. El algoritmo de Gradient Boosting Extremo (XGB) fue seleccionado como el modelo representativo debido a su rendimiento consistente.
Evaluación: Los modelos se evaluaron mediante AUROC, curvas de calibración, Análisis de la Curva de Decisión (DCA) y la prueba de DeLong para comparaciones por pares. La interpretabilidad del modelo se exploró mediante SHAP (Explicaciones de Shapley basadas en sustitutos de probabilidad).

Resultos Clave

Estabilidad de las Características: Tras el filtrado por ICC, se retuvieron 1,240 (intratumorales), 1,074 (peritumorales de 3 mm) y 1,130 (peritumorales de 5 mm) características estables. La selección final por LASSO produjo ocho características para cada región.
Desempeño Discriminativo:
- Entre los modelos de región única, el modelo XGB peritumoral de 3 mm alcanzó el AUROC de validación interna más alto de 0.762 (IC 95%: 0.595–0.911), superando al modelo intratumoral (0.732) y al modelo peritumoral de 5 mm (0.717).
- El modelo de fusión clínico-radiómica (que combina variables clínicas con las tres RadScores) produjo la estimación de punto más alta para el AUROC de validación interna de 0.879 (IC 95%: 0.721–0.982).
- Las comparaciones por pares de DeLong entre los modelos clínicos, de radiómica y de fusión no fueron estadísticamente significativas ( $P > 0.05$ ) en ninguna de las cohortes.
Sensibilidad del Umbral: Al aplicar el umbral de Youden derivado de la cohorte de entrenamiento, el modelo de fusión exhibió una tasa de falsos negativos (FNR) de 0.700 en el conjunto de validación interna, lo que indica que el alto AUROC no se tradujo en una alta sensibilidad en este punto operativo específico.
Importancia de las Características: El análisis SHAP reveló que la RadScore peritumoral de 3 mm fue la variable más influyente en el modelo de fusión, seguida de la RadScore peritumoral de 5 mm y el estadio T.

Significado y Afirmaciones
Los autores presentan este trabajo como un estudio exploratorio de generación de hipótesis en lugar de un estudio de confirmación de generalizabilidad clínica. El artículo afirma que:

La Información Peritumoral es Valiosa: La radiómica peritumoral sin contraste en TC, particularmente con una expansión de 3 mm, proporciona información discriminatoria complementaria que puede capturar características de la interfaz tumor-huésped (por ejemplo, reacción estromal, microvasculatura) que no son visibles en la ROI intratumoral por sí sola.
Viabilidad de los Modelos de Fusión: La integración de variables clínicas con radiómica multiescala produce el punto de estimación de desempeño más alto en la validación interna, lo que sugiere que los fenotipos de imagen y la extensión de la enfermedad clínica ofrecen señales complementarias.
Limitaciones y Necesidades Futuras: Los autores declaran explícitamente que los hallazgos están limitados por la pequeña cohorte de un solo centro, la falta de validación externa y el hecho de que las características seleccionadas no sobrevivieron a la corrección de la Tasa de Falso Descubrimiento (FDR). Enfatizan que el modelo no está listo para el despliegue clínico. Antes de su aplicación clínica, un modelo "bloqueado" requiere validación externa en una cohorte multicéntrica independiente, y los umbrales operativos deben recalibrarse para abordar la alta tasa de falsos negativos observada con el punto de corte derivado del entrenamiento.

En resumen, el estudio demuestra la viabilidad técnica del uso de la radiómica en TC sin contraste para diferenciar RAC de RNET, destacando la utilidad específica de la región peritumoral de 3 mm, manteniendo al mismo tiempo una postura cautelosa respecto a su utilidad clínica actual.

Más como este