MRI-based Prognostic Model in Early-Stage HR+/HER2- Breast Cancer

Resumen Técnico: Modelo Pronóstico Basado en RM en Cáncer de Mama HR+/HER2- en Etapa Temprana

Planteamiento del Problema
El manejo clínico actual del cáncer de mama con receptores hormonales positivos y factor de crecimiento epidérmico humano receptor 2 negativo (HR+/HER2-) en etapa temprana depende en gran medida de ensayos genómicos (por ejemplo, OncotypeDX) para guiar las decisiones de quimioterapia adyuvante. Sin embargo, estos ensayos presentan limitaciones inherentes: requieren muestras de tejido suficientes, implican tiempos de respuesta prolongados y pueden no capturar la extensión total de la heterogeneidad tumoral cuando se derivan de un único bloque de tejido o biopsia por aguja gruesa. Además, persiste la incertidumbre clínica respecto a la aplicabilidad de estos ensayos en subgrupos de alto riesgo específicos, como mujeres premenopáusicas, minorías raciales y étnicas, y pacientes con tumores más grandes. Existe la necesidad de biomarcadores adicionales que puedan capturar la heterogeneidad tumoral macroscópica y las relaciones espaciales con el microambiente tumoral para individualizar mejor la terapia.

Metodología
Los autores desarrollaron y validaron un modelo pronóstico basado en inteligencia artificial (IA) de imagen, denominado MRI-RS (Puntuación de Riesgo por RM), diseñado para predecir la supervivencia libre de recurrencia (SLR) a 5 años.

• Diseño del Estudio: Un estudio retrospectivo multiinstitucional que involucró a 1,072 pacientes diagnosticadas con cáncer de mama HR+/HER2- en etapa temprana entre 2010 y 2023. Los datos se obtuvieron de cinco cohortes: I-SPY 2, University of Chicago Hospital, University of Alabama, Endeavor Health Cancer Institute y Duke University.
• División de Datos: El conjunto de datos se dividió en un grupo de descubrimiento (N=522, utilizado para entrenamiento y ajuste) y un grupo de prueba independiente (N=550). El grupo de descubrimiento se dividió posteriormente en una proporción 75:25 entre subconjuntos de entrenamiento y de ajuste.
• Procesamiento de Imágenes: Las exploraciones de RM con contraste dinámico (DCE) previas al tratamiento fueron procesadas utilizando una herramienta de segmentación de IA totalmente automatizada y con aprobación de la FDA (TumorSight Viz). Esta herramienta anotó volúmenes 3D, asignando vóxeles a tumor, glándula, grasa, vaso sanguíneo, piel, tórax o aire. Se definió una región de interés (ROI) mediante un cuadro delimitador que contenía todos los vóxeles del tumor.
• Ingeniería de Características: Se extrajeron características radiómicas y de forma de la ROI y de la segmentación 3D circundante. Las características se sometieron a normalización z-score y selección basada en variabilidad, correlación (eliminando características con >0.8 de correlación) y asociación univariante con la SLR en modelos de riesgos proporcionales de Cox (CPH).
• Arquitectura del Modelo: Se calibró un modelo de Bosque de Supervivencia Aleatoria (RSF). El modelo final integró cinco características basadas en imágenes de alto rendimiento (dimensión tumoral más larga, longitud del eje corto alineado con el tumor, solidez, compacidad y densidad vascular circundante) con variables clínicas (edad, raza, grado tumoral, estadio T y estadio N).
• Estratificación de Riesgo: Se determinó un umbral óptimo (32.9) para maximizar el índice de concordancia, clasificando a las pacientes en categorías de "Bajo Riesgo" y "Alto Riesgo".
• Análisis Estadístico: El rendimiento se evaluó mediante estimadores de Kaplan-Meier, razones de riesgo (HR) ajustadas y no ajustadas, y pruebas de razón de verosimilitud comparando el MRI-RS contra una puntuación de riesgo únicamente clínica (CRS). Se empleó el emparejamiento por puntaje de propensión para explorar el beneficio potencial de la quimioterapia, aunque los autores señalan que esto es exploratorio debido al diseño retrospectivo.

Contribuciones Clave

1. Desarrollo de MRI-RS: La creación de una puntuación de riesgo no invasiva impulsada por IA que integra las características espaciales del tumor con datos clinicopatológicos estándar.
2. Validación en Cohortes Diversas: Validación rigurosa en una cohorte independiente y multiinstitucional que incluyó una representación sustancial de mujeres afroamericanas y pacientes premenopáusicas, grupos frecuentemente subrepresentados en estudios de IA.
3. Biomarcador Ortogonal: Demostración de que las características espaciales derivadas de la RM proporcionan información pronóstica distinta y complementaria a los factores clínicos tradicionales y los ensayos genómicos.
4. Aplicabilidad en Tiempo Real: El modelo utiliza imágenes disponibles de forma habitual previas al tratamiento, ofreciendo una vía para la estratificación de riesgo en tiempo real sin los retrasos asociados con las pruebas genómicas o las limitaciones del muestreo de tejido.

Resultos

• Rendimiento Pronóstico: En la cohorte de prueba independiente (N=550), el MRI-RS estratificó significativamente a las pacientes por riesgo de recurrencia.
  • SLR a 5 años: Las pacientes de bajo riesgo tuvieron una SLR a 5 años del 93.8% (IC 95%: 90.0–96.2%), en comparación con el 82.6% (IC 95%: 74.8–88.1%) para las de alto riesgo.
  • Razones de Riesgo: La razón de riesgo no ajustada fue de 3.09 (IC 95%: 1.66–5.76; p < 0.005). Tras ajustar por edad, estadios T/N, grado y tipo de terapia, la razón de riesgo ajustada se mantuvo significativa en 2.28 (IC 95%: 1.18–4.41; p < 0.01).
• Análisis de Subgrupos: El modelo mantuvo su valor pronóstico en subgrupos clínicamente relevantes, incluyendo la edad (<50 vs. ≥50) y el estado ganglionar (N0 vs. N1), aunque las estimaciones en el subgrupo con afectación ganglionar fueron menos precisas.
• Comparación con Modelos Clínicos: La adición del MRI-RS (ya sea como puntuación continua o categoría de riesgo) a una puntuación de riesgo únicamente clínica mejoró significativamente el rendimiento predictivo (Razón de Verosimilitud p < 0.01; el C-Index aumentó de 0.58 a 0.71).
• Beneficio de la Quimioterapia: El emparejamiento por puntaje de propensión exploratorio sugirió que las pacientes de alto riesgo tratadas con terapia chemoendocrina tuvieron tasas de recurrencia más bajas en comparación con la terapia endocrina sola, mientras que las pacientes de bajo riesgo tuvieron una mayor SLR con terapia endocrina sola. Sin embargo, los autores declaran explícitamente que este análisis carece de potencia estadística debido al número limitado de eventos.

Significancia y Reivindicaciones
El artículo afirma que el MRI-RS sirve como una herramienta pronóstica robusta y no invasiva capaz de complementar las pruebas genómicas basadas en tejido existentes. Su principal significancia radica en su capacidad para:

• Proporcionar estratificación de riesgo en tiempo real utilizando imágenes previas al tratamiento, evitando la necesidad de muestreos de tejido adicionales y los largos tiempos de respuesta.
• Capturar factores espaciales extrínsecos dentro del macroambiente tumoral (por ejemplo, densidad vascular, forma del tumor, interacción con el tejido circundante) que los ensayos genómicos intrínsecos pueden omitir.
• Ofrecer una optimización personalizada del tratamiento identificando a pacientes que podrían beneficiarse de la escalada o desescalada de la quimioterapia, particularmente en subgrupos donde los ensayos genómicos están menos establecidos.

Los autores concluyen que, si bien el modelo demuestra un fuerte valor pronóstico, su capacidad para predecir definitivamente el beneficio de la quimioterapia requiere validación en estudios prospectivos. El estudio enfatiza que el MRI-RS es un biomarcador ortogonal que mejora la precisión de la predicción de la recurrencia más allá de las características clinico-patológicas tradicionales por sí solas.