Resumen Técnico: Fusión Multimodal para la Predicción Preoperatoria de la Invasión Linfovascular en el Cáncer de Mama

Planteamiento del Problema

La invasión linfovascular (ILV) es un factor pronóstico crítico en el cáncer de mama, asociado con un mayor riesgo de recurrencia local, metástasis a distancia y reducción de la supervivencia global. Sin embargo, la evaluación preoperatoria de la ILV sigue siendo un desafío. El estándar de oro actual, el examen histopatológico postoperatorio, no puede guiar la planificación quirúrgica preoperatoria ni la selección de la terapia neoadyuvante. Aunque las biopsias por punción con aguja central ofrecen una alternativa mínimamente invasiva, a menudo no logran capturar la heterogeneidad espacial del tumor y las regiones peritumorales donde la ILV ocurre con frecuencia, lo que conduce a errores de muestreo y una significativa variabilidad interobservador. En consecuencia, existe una necesidad urgente de métodos de imagen no invasivos y reproducibles capaces de predecir con precisión el estado de la ILV antes de la cirugía.

Metodología

Este estudio empleó un diseño retrospectivo y multicéntrico que involucró a 750 pacientes con cáncer de mama confirmado patológicamente de dos centros clínicos independientes. Los datos se dividieron en una cohorte de desarrollo (Centro 1, n=636), la cual se subdividió a su vez en un conjunto de entrenamiento (n=445) y un conjunto de validación interna (n=191), y un conjunto de prueba externo independiente (Centro 2, n=114).

Adquisición y Preprocesamiento de Datos

• Imagen: Se adquirieron imágenes de resonancia magnética con contraste dinámico (DCE-MRI) utilizando escáneres de 3.0T (Philips y GE) con diversos protocolos.
• Segmentación: Dos radiólogos experimentados delinearon manualmente las regiones de interés (ROI) del tumor en el corte que mostraba el área tumoral más grande, evitando la necrosis y los cambios quísticos.
• Datos Clínicos: Se extrajeron variables clínicas y patológicas, incluyendo edad, estado menopáusico, grado histológico, estado del ganglio centinela, marcadores inmunohistoquímicos (ER, PR, HER-2, Ki-67) y subtipos moleculares.

Extracción de Características y Construcción del Modelo

El estudio comparó sistemáticamente cuatro estrategias de recorte de ROI para la entrada de aprendizaje profundo (deep learning) 2D:

1. crop (recorte): Una región rectangular que contiene el tumor.
2. crop_roi_only (solo ROI de recorte): Únicamente la ROI del tumor.
3. crop_en5 (recorte expandido 5mm): La ROI expandida 5 mm hacia la región peritumoral.
4. no_crop (sin recorte): El corte de imagen completo que contiene el tumor.

Se construyeron y compararon cinco modelos predictivos:

1. Modelo Clínico (Clinic): Basado en factores de riesgo independientes identificados mediante regresión logística multivariante.
2. Modelo de Radiómica (Rad): Extraído mediante PyRadiomics (características de primer orden, forma y textura) con regresión LASSO para la selección y cinco clasificadores de aprendizaje automático (LR, SVM, KNN, RF, MLP).
3. Modelo de Aprendizaje Profundo (DTL): Características extraídas utilizando una red VGG19 (preentrenada en ImageNet) con la estrategia de ROI óptima, alimentada a los mismos cinco clasificadores.
4. Modelo de Radiómica de Aprendizaje Profundo (DLR): Una fusión a nivel de características de la radiómica tradicional y las características de aprendizaje profundo.
5. Modelo Combinado: Una fusión integral de características de radiómica, de aprendizaje profundo y factores de riesgo clínicos.

El rendimiento se evaluó mediante AUC, precisión, sensibilidad, especificidad, curvas de calibración y Análisis de la Curva de Decisión (DCA).

Contribuciones Clave

1. Optimización de las Estrategias de ROI: El estudio proporciona una evaluación sistemática de las estrategias de definición de ROI para el aprendizaje profundo 2D en la predicción de la ILV. Identifica que un recorte rectangular simple que contenga el tumor y un fondo limitado (crop) ofrece el mejor rendimiento de generalización, superando la segmentación precisa, la expansión peritumoral y las entradas de corte completo.
2. Marco de Fusión Multimodal: Los autores demuestran el valor incremental de integrar la radiómica tradicional, las características de aprendizaje profundo 2D y los factores de riesgo clínicos. El estudio destaca que, si bien los modelos de aprendizaje profundo independientes pueden tener dificultades con características histopatológicas sutiles como la ILV, su integración con la radiómica y los datos clínicos mejora significativamente la capacidad predictiva.
3. Validación Multicéntrica Rigurosa: A diferencia de muchos estudios previos que dependen de datos de un solo centro, este trabajo emplea un conjunto de prueba externo independiente de una institución diferente con protocolos de imagen distintos, proporcionando una evaluación robusta de la generalizabilidad del modelo.

Resultados

• Comparación de la Estrategia de ROI: La estrategia crop demostró una generalización superior en la prueba externa, con valores de AUC que oscilaron entre 0.652 y 0.683 a través de los clasificadores. En contraste, la estrategia no_crop fue la que peor desempeño tuvo (AUC < 0.531), y la estrategia crop_en5 mostró signos de sobreajuste (overfitting) durante el entrenamiento.
• Predictores Clínicos: El análisis multivariante identificó el estado menopáusico, el grado histológico, el estado del ganglio centinela, el nivel de expresión de Ki-67 y el subtipo molecular como predictores independientes de la ILV.
• Rendimiento del Modelo:
  • El Modelo Combinado alcanzó el mejor rendimiento general en el conjunto de prueba externo con un AUC de 0.720 (95% IC: 0.6245–0.8146).
  • Notablemente, mientras que el modelo únicamente clínico tuvo un AUC ligeramente superior (0.743), el Modelo Combinado exhibió una sensibilidad significativamente mayor (0.847 vs. 0.610), reduciendo la tasa de falsos negativos.
  • Los modelos independientes (Rad, DTL, DLR) mostraron un menor rendimiento en la prueba externa (AUCs < 0.650), siendo el modelo DTL particularmente deficiente (AUC 0.469).
• Utilidad Clínica: El Análisis de la Curva de Decisión confirmó que el Modelo Combinado proporcionó el mayor beneficio neto a través de un amplio rango de probabilidades de umbral, respaldando su utilidad clínica.

Significado y Reivindicaciones

El artículo sostiene que el modelo de fusión multimodal propuesto ofrece un enfoque prometedor y no invasivo para la estratificación del riesgo de ILV preoperatoria. Al lograr una alta sensibilidad, el modelo aborda una necesidad clínica crítica de minimizar los falsos negativos, evitando así la subestimación del riesgo del paciente y una planificación de tratamiento inadecuada. El estudio enfatiza que la estrategia de recorte de ROI rectangular es la configuración de entrada óptima para el aprendizaje profundo de DCE-MRI 2D en este contexto.

Los autores mantienen un tono modesto respecto a sus hallazgos, reconociendo limitaciones tales como la naturaleza retrospectiva del estudio, el tamaño relativamente pequeño del conjunto de validación externa y el uso de entradas de corte único 2D que pueden no capturar completamente la biología tumoral volumétrica. Concluyen que, si bien el modelo muestra potencial para decisiones de tratamiento personalizadas, debe verse como una herramienta complementaria a las evaluaciones clínicas existentes y no como un reemplazo independiente, requiriéndose una validación prospectiva adicional.