Predicción de metástasis hepáticas de cáncer colorrectal mediante un modelo radiómico basado en IRM

Por qué importa esta investigación

El cáncer colorrectal es una de las principales causas de muerte a nivel mundial, en gran parte porque suele diseminarse al hígado antes o después de la primera cirugía. Detectar esta diseminación de forma temprana puede cambiar drásticamente el pronóstico del paciente, pero las pruebas de imagen y de sangre actuales están lejos de ser perfectas. Este estudio explora si los ordenadores pueden “leer entre los píxeles” de las IRM de rutina del tumor primario en el intestino para prever cuáles pacientes tienen más probabilidades de desarrollar metástasis hepáticas, mucho antes de que estas sean visibles.

Ver más de lo que percibe el ojo

Las imágenes médicas estándar suelen ser interpretadas por el ojo humano, que es muy eficaz para detectar masas evidentes pero menos capaz de percibir patrones sutiles. La radiómica es un enfoque nuevo que considera cada exploración como una mina de datos cuantificables. Al convertir tonos de gris, formas y texturas en cientos de características numéricas, la radiómica permite a los ordenadores detectar patrones relacionados con la agresividad tumoral. En este trabajo, los investigadores se centraron en dos secuencias de IRM comunes en cáncer colorrectal: las imágenes ponderadas en T2, que muestran anatomía y líquido, y las imágenes ponderadas por difusión, que captan cómo se mueve el agua en los tejidos y son sensibles a la densidad celular tumoral.

Cómo se realizó el estudio

El equipo analizó a 194 pacientes con cáncer colorrectal confirmado por anatomía patológica procedentes de dos hospitales. Todos los pacientes se sometieron a IRM antes de cualquier tratamiento y fueron seguidos al menos un año para ver quiénes desarrollaban metástasis hepáticas. Con software especializado, los radiólogos delinearon cuidadosamente cada tumor primario en las imágenes ponderadas en T2 y en las ponderadas por difusión, corte a corte, evitando gas, quistes y la grasa circundante. A partir de estas regiones, el ordenador extrajo 352 características radiómicas que describen la forma del tumor y su textura interna. A continuación se emplearon técnicas estadísticas para comprobar que estas mediciones eran fiables entre distintos observadores y escáneres, filtrar la información redundante y reducir la lista hasta las características más informativas.

Construcción y prueba de modelos predictivos

Con las características más útiles, los investigadores construyeron varios modelos predictivos. Uno utilizó solo información clínica simple como la edad y marcadores tumorales en sangre; otros se basaron por separado en radiómica de imágenes ponderadas en T2 o por difusión. Un modelo radiómico combinado fusionó características de ambas secuencias de IRM, y un modelo final de “unión” integró esas características de imagen con factores de riesgo clínicos. El equipo entrenó estos modelos con el grupo más numeroso de pacientes de un hospital y luego los probó en un grupo independiente de un segundo hospital, evaluando con qué precisión cada modelo distinguía a los pacientes que desarrollaron metástasis hepáticas de los que no.

Qué revelaron los modelos

El modelo combinado imagen–clínica fue el que mejor rendimiento mostró. Tanto en los grupos de entrenamiento como en los de validación, superó a los modelos basados únicamente en datos clínicos o en una sola secuencia de IRM. Su capacidad para separar pacientes de alto y bajo riesgo, medida por el área bajo la curva ROC, se situó en un rango alto de “bueno”. Las características que captaban la textura y la forma del tumor resultaron especialmente importantes: los tumores más irregulares y heterogéneos se asociaron con mayor probabilidad de diseminación hepática posterior. Un marcador sanguíneo llamado antígeno carcinoembrionario (CEA) emergió como un factor de riesgo clínico independiente y aumentó aún más la precisión del modelo cuando se integró con las características radiómicas.

Abrir la caja negra

Para ayudar a que este modelo complejo fuera más transparente, los investigadores aplicaron un método conocido como SHAP, que asigna a cada característica una contribución para cada predicción individual. Este análisis mostró que una característica de textura concreta de las imágenes ponderadas por difusión tenía la mayor influencia en que el modelo etiquetara a un paciente como de alto riesgo. Al resaltar qué patrones de imagen importan más, estas herramientas de interpretabilidad pueden aumentar la confianza de los clínicos en el uso de predicciones impulsadas por inteligencia artificial en la toma de decisiones clínicas reales.

Qué significa esto para los pacientes

El estudio sugiere que las IRM de rutina del tumor primario colorrectal contienen pistas ocultas sobre si las células cancerosas podrían sembrar el hígado. Al combinar estas firmas de imagen sutiles con pruebas de sangre estándar, un modelo radiómico podría ayudar a los médicos a identificar antes a los pacientes de alto riesgo, personalizar los calendarios de seguimiento y elegir tratamientos más intensivos o dirigidos cuando sea necesario. Aunque aún se requieren estudios prospectivos más amplios antes de que este enfoque pueda adoptarse de forma generalizada, apunta a un futuro en el que los ordenadores ayuden a extraer poder pronóstico adicional de imágenes que ya se están tomando, sin exponer a los pacientes a procedimientos adicionales.

Cita: Wu, YK., Wang, X., Du, PZ. et al. Prediction of colorectal cancer liver metastasis through an MRI radiomic model. Sci Rep 16, 11148 (2026). https://doi.org/10.1038/s41598-026-40970-0

Palabras clave: cáncer colorrectal, metástasis hepática, radiómica por IRM, predicción del cáncer, imagen médica