Integración de radiómica, aprendizaje profundo, transcriptómica y metabolómica revela estratificación de riesgo pronóstico y mecanismos biológicos subyacentes en el cáncer colorrectal

Por qué esta investigación importa a pacientes y familias

El cáncer colorrectal es uno de los cánceres más comunes y mortales del mundo, y los médicos aún tienen dificultades para predecir qué pacientes evolucionarán bien después de la cirugía y cuáles tienen mayor riesgo de morir por la enfermedad. Este estudio demuestra que las exploraciones médicas habituales, cuando se combinan con análisis informáticos avanzados y pruebas moleculares, pueden clasificar a los pacientes en grupos de riesgo claros y descubrir biología oculta dentro de sus tumores. En el futuro, este tipo de enfoque podría ayudar a personalizar el tratamiento y el seguimiento, de modo que los pacientes de alto riesgo reciban un control más estrecho y terapias más intensas, mientras que los de bajo riesgo eviten efectos secundarios innecesarios.

Mirar dentro de los tumores sin bisturí

Los investigadores se centraron en tomografías computarizadas con contraste, una prueba de imagen rutinaria ya utilizada para evaluar el cáncer colorrectal. En lugar de depender de lo que el ojo humano puede ver, emplearon radiómica y aprendizaje profundo para extraer casi 2.000 pequeños detalles cuantitativos de las imágenes, capturando patrones sutiles de forma y textura que reflejan la heterogeneidad tumoral. Luego probaron de forma sistemática 117 combinaciones de diez algoritmos de aprendizaje automático para encontrar la manera más fiable de vincular estas características de imagen con la supervivencia de los pacientes. El modelo ganador, que combinó dos técnicas llamadas Lasso y gradient boosting, produjo una puntuación de riesgo única para cada persona basada únicamente en su TC preoperatoria.

Separando a pacientes de bajo y alto riesgo

Utilizando TC de 1.183 pacientes tratados en cuatro hospitales, el equipo entrenó y validó rigurosamente su modelo de radiómica con aprendizaje profundo. Identificaron un punto de corte en la puntuación basada en la imagen que dividió a los pacientes en grupos de bajo y alto riesgo. En el conjunto de entrenamiento, en una validación interna y en dos hospitales independientes, los pacientes de alto riesgo vivieron de forma consistente menos tiempo que los del grupo de bajo riesgo. La capacidad del modelo para distinguir los resultados se mantuvo en muchos subgrupos, incluidos pacientes más jóvenes y mayores, hombres y mujeres, diferentes estadios tumorales y según si los pacientes recibieron o no quimioterapia. Cuando los investigadores combinaron la puntuación basada en la imagen con dos indicadores clínicos estándar —los niveles sanguíneos de CEA y el estadio de ganglios linfáticos— en una herramienta gráfica simple llamada nomograma, las predicciones de supervivencia a tres y cinco años se volvieron aún más precisas y útiles clínicamente.

¿Qué hace que un tumor sea más peligroso que otro?

Para ir más allá de la predicción y entender por qué algunos tumores se comportan de forma más agresiva, el equipo vinculó los grupos de riesgo basados en imágenes con cambios moleculares en el cáncer. En un subconjunto de pacientes analizaron pequeñas moléculas en tejido tumoral mediante espectroscopía de resonancia magnética nuclear y compararon los tumores con tejido normal próximo. Encontraron que los tumores de alto y bajo riesgo mostraban huellas metabólicas distintas, implicando vías que procesan aminoácidos y ácidos grasos de cadena corta. Paralelamente, examinaron la actividad génica en tumores procedentes de una base de datos pública de imágenes. Los tumores de alto riesgo mostraron señales fuertes de vías relacionadas con la matriz extracelular—el andamiaje de soporte alrededor de las células—que se sabe ayuda a las células cancerosas a diseminarse y resistir la terapia. En contraste, los tumores de bajo riesgo estaban enriquecidos en vías relacionadas con la inmunidad y presentaban niveles más altos de células CD8 T citotóxicas, lo que apunta a un microambiente antitumoral más activo.

Vías metabólicas protectoras vinculadas a una mejor supervivencia

De forma llamativa, tanto los datos de metabolitos como los de actividad génica señalaron las mismas dos rutas metabólicas —el metabolismo del butanoato y el metabolismo del nitrógeno— como más activas en los tumores de bajo riesgo. Estas vías están conectadas con productos de bacterias intestinales y con cómo las células procesan el nitrógeno, lo que influye en el equilibrio energético y la función inmune. Cuando los investigadores verificaron un conjunto de datos independiente y amplio de 417 pacientes con cáncer colorrectal del Atlas del Genoma del Cáncer (TCGA), encontraron que una actividad menor en estas dos vías se asociaba claramente con una peor supervivencia global. Esto sugiere que mantener estos procesos metabólicos podría ayudar a frenar el crecimiento tumoral o a apoyar una respuesta inmune más fuerte, y que podrían explorarse en el futuro como biomarcadores o dianas terapéuticas.

Qué significa esto para la atención del cáncer en el futuro

En términos sencillos, este estudio muestra que combinar análisis inteligente de imágenes con perfilado molecular puede afinar las herramientas pronósticas y revelar lo que ocurre dentro de los tumores colorrectales. Una puntuación de riesgo derivada de TC estándar, especialmente cuando se asocia con medidas clínicas rutinarias, podría ayudar a los médicos a identificar qué pacientes necesitan un tratamiento o un seguimiento más intensivo tras la cirugía. Al mismo tiempo, el hallazgo de que ciertos patrones inmunes y vías metabólicas se asocian con mejores resultados sugiere nuevas formas de apoyar las defensas del organismo y diseñar terapias dirigidas. Aunque se necesitan estudios prospectivos más amplios para confirmar estos hallazgos, este enfoque integrador marca un paso hacia una atención más personalizada e informada por la biología para las personas con cáncer colorrectal.

Cita: Li, Z., Cai, R., Qin, Y. et al. Integration of radiomics, deep learning, transcriptomics, and metabolomics reveals prognostic risk stratification and underlying biological mechanisms in colorectal cancer. npj Precis. Onc. 10, 155 (2026). https://doi.org/10.1038/s41698-026-01331-2

Palabras clave: cáncer colorrectal, radiómica, aprendizaje profundo, metabolismo tumoral, microambiente inmune