CT-Based Radiomic Models for Stage Stratification and Relapse Prediction in Colon Cancer

El cáncer de colon es una enfermedad en la que la capacidad del cuerpo para predecir el futuro es a menudo tan incierta como el propio camino de la enfermedad. Actualmente, los médicos dependen de un sistema llamado estadificación para adivinar cómo se comportará un tumor. Este sistema clasifica el cáncer en grupos basados en qué tan profundo ha crecido el tumor y si se ha extendido a los ganglios linfáticos cercanos. Si bien este método es el estándar para decidir el tratamiento, no es perfecto. Dos pacientes con la misma etapa pueden tener resultados muy diferentes; uno podría curarse solo con cirugía, mientras que el otro podría ver cómo el cáncer regresa en cinco años. Esta incertidumbre deja a los médicos luchando por elegir el tratamiento adecuado antes de que el paciente se someta siquiera a una operación. El objetivo de la medicina moderna es encontrar una forma de ver dentro de la biología del tumor sin abrirlo, utilizando las imágenes que ya se toman para planificar la cirugía.

Un equipo de investigadores en España ha dado un paso hacia este objetivo enseñando a las computadoras a leer los detalles ocultos en las tomografías computarizadas (TC) estándar. Estas TC son las imágenes de rayos X tridimensionales que los médicos toman antes de la cirugía para verificar la propagación. Los investigadores se centraron en un campo llamado radiómica, que trata las imágenes médicas no solo como imágenes para el ojo humano, sino como vastas bibliotecas de datos. Mientras que un médico observa una exploración para ver la forma y el tamaño de un tumor, una computadora puede medir miles de diminutos patrones en las tonalidades de gris y las texturas que son invisibles al ojo desnudo. Estos patrones podrían reflejar cómo están dispuestas las células dentro del tumor o qué tan agresivas son. Al analizar estas texturas sutiles, los investigadores esperaban construir una herramienta que pudiera distinguir entre dos etapas específicas del cáncer de colon y predecir qué pacientes tenían probabilidades de ver regresar su enfermedad.

El estudio involucró a 104 pacientes que habían sido diagnosticados con cáncer de colon y se sometieron a una TC antes de su cirugía. Los investigadores trabajaron con un grupo específico de pacientes, excluyendo a aquellos con condiciones genéticas raras u otros tipos de cáncer, para asegurar que los datos fueran limpios y enfocados. Tomaron las imágenes de TC y trazaron manualmente el contorno del tumor primario en tres dimensiones, creando un mapa digital preciso del volumen del cáncer. A partir de este mapa, la computadora extrajo 105 mediciones diferentes. Estas mediciones describían la forma del tumor, la distribución del brillo dentro de él y la compleja textura de su superficie. El equipo luego combinó estas mediciones de imagen con información básica del paciente, como la edad y el sexo, para construir un conjunto de modelos matemáticos.

Para probar si estos modelos funcionaban, los investigadores dividieron a su grupo de pacientes en dos conjuntos. Utilizaron el grupo más grande para enseñar a la computadora cómo reconocer patrones, y guardaron el grupo más pequeño para actuar como un examen final. La computadora aprendió a buscar combinaciones específicas de las 105 mediciones que estaban vinculadas al resultado. La primera tarea fue ver si el modelo podía distinguir entre el cáncer de etapa II y de etapa III. Esta distinción es crítica porque los pacientes en etapa III generalmente reciben quimioterapia después de la cirugía, mientras que los pacientes en etapa II a menudo no la reciben, aunque algunos pacientes en etapa II aún sufren recaídas. El modelo aprendió a identificar estas etapas basándose únicamente en las imágenes preoperatorias. En la prueba final, el modelo distinguió correctamente entre las dos etapas aproximadamente el 76 por ciento de las veces. Fue particularmente bueno detectando casos de etapa II, identificándolos correctamente casi el 89 por ciento de las veces.

La segunda tarea, y quizás la más significativa, era predecir si un paciente experimentaría una recaída dentro de cinco años. Esta es una predicción mucho más difícil porque implica adivinar el comportamiento futuro de la enfermedad. Los investigadores probaron diferentes métodos de aprendizaje computacional para encontrar el mejor. Encontraron que un tipo específico de modelo, que buscaba relaciones entre muchas variables diferentes a la vez, funcionó mejor. Este modelo logró un alto nivel de precisión, prediciendo correctamente el riesgo de recaída en el 91 por ciento de los casos en el grupo de prueba. Fue especialmente sensible, lo que significa que rara vez pasaba por alto a un paciente que eventualmente tendría una recurrencia, detectando el 95 por ciento de esos casos. El estudio también analizó a los pacientes dentro de cada etapa por separado. Incluso mirando solo a los pacientes de etapa II o solo a los de etapa III, el modelo mantuvo un fuerte poder predictivo, lo que sugiere que la textura del tumor en la exploración porta información sobre el riesgo independientemente de la etapa oficial.

Los hallazgos sugieren que la textura visual de un tumor en una TC contiene pistas sobre su comportamiento biológico que los métodos de estadificación actuales pasan por alto. Los investigadores observaron que los tumores con patrones más uniformes y homogéneos en la exploración tendían a pertenecer a pacientes que no recayeron, mientras que aquellos con texturas más caóticas y heterogéneas estaban vinculados a un mayor riesgo de que la enfermedad regresara. Esto concuerda con la idea de que una textura desordenada e irregular en una imagen podría reflejar una biología tumoral más agresiva y desorganizada. El estudio no demostró que estos patrones causen que el cáncer se comporte de cierta manera, pero mostró un fuerte vínculo entre los datos de la imagen y el resultado del paciente. El equipo señaló que su trabajo se vio limitado por el hecho de que se realizó en un solo hospital con un número relativamente pequeño de pacientes, y que los modelos computacionales fueron entrenados y probados con datos de esa misma institución. Reconocieron que estos modelos necesitan ser probados en grupos más grandes de personas de diferentes hospitales para confirmar que funcionan en el mundo real.

Esta investigación ofrece una nueva forma potencial de observar el cáncer de colon antes de que comience el tratamiento. En lugar de esperar a que la cirugía revele la naturaleza completa del tumor, los médicos podrían algún día utilizar estas herramientas basadas en imágenes para obtener una imagen más clara del riesgo que enfrenta un paciente. Si estos modelos son validados en estudios futuros, podrían ayudar a los médicos a decidir quién necesita quimioterapia y quién puede estar seguro sin ella, reduciendo el tratamiento innecesario para algunos mientras asegura que otros reciban la atención que necesitan. El trabajo no reemplaza el sistema de estadificación actual, sino que sugiere que este podría mejorarse añadiendo estos detalles cuantitativos de las exploraciones. Por ahora, los resultados siguen siendo un paso prometedor hacia un enfoque más personalizado para tratar el cáncer de colon, convirtiendo una rutina de imagen preoperatoria en una fuente de profundo conocimiento predictivo.